WO2020148956A1 - 細胞生成支援装置、方法、及びプログラム - Google Patents

細胞生成支援装置、方法、及びプログラム Download PDF

Info

Publication number
WO2020148956A1
WO2020148956A1 PCT/JP2019/040361 JP2019040361W WO2020148956A1 WO 2020148956 A1 WO2020148956 A1 WO 2020148956A1 JP 2019040361 W JP2019040361 W JP 2019040361W WO 2020148956 A1 WO2020148956 A1 WO 2020148956A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
cells
cell
measurement
culture condition
Prior art date
Application number
PCT/JP2019/040361
Other languages
English (en)
French (fr)
Inventor
兼太 松原
Original Assignee
富士フイルム株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 富士フイルム株式会社 filed Critical 富士フイルム株式会社
Priority to JP2020566106A priority Critical patent/JP7282809B2/ja
Publication of WO2020148956A1 publication Critical patent/WO2020148956A1/ja

Links

Images

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
    • C12M1/00—Apparatus for enzymology or microbiology
    • C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms

Definitions

  • the technology of the present disclosure relates to a cell generation support device, method, and program.
  • pluripotent stem cells such as ES (Embryonic Stem) cells and iPS (Induced Pluripotent Stem) cells have the ability to differentiate into cells of various tissues, and are useful in regenerative medicine, drug development, disease elucidation, etc. It is attracting attention as a cell that can be applied. For example, when it is desired to generate a desired number of desired cells by differentiating iPS cells, cells such as blood cells 41 or skin cells 42 are collected from the patient 40 as shown in FIG.
  • ES Embryonic Stem
  • iPS Induced Pluripotent Stem
  • Initialization step T1 in which a plurality of genes are introduced into iPS cells 43, and a culture step in which the generated iPS cells 43 are cultured (hereinafter also referred to as expansion culture) to generate a desired number of iPS cells 46 T2, it is necessary to go through a differentiation step T3 that induces differentiation of the generated number of iPS cells 46 into nerve cells 47, cardiomyocytes 48, liver cells 49 and the like.
  • expansion culture a culture step in which the generated iPS cells 43 are cultured
  • the culturing step T2 there is an operation called "passage" in which the medium is removed from the culture container containing the iPS cells 43 and the iPS cells 43 are transferred to a new medium.
  • the proliferated iPS cells 43 are uniformly seeded in a plurality of culture vessels at a predetermined size and density, and cell division is performed.
  • the person in charge of the work should visually observe cells that may proliferate while maintaining the undifferentiated state. Have been selected by.
  • the person in charge selects cells, for example, by continuously culturing iPS cells 44 having a well-shaped cell line and removing iPS cells 45 having a non-well-shaped cell line.
  • iPS cells 44 having a well-shaped cell line
  • iPS cells 45 having a non-well-shaped cell line.
  • differentiation induction from iPS cells is not successful. If differentiation induction is not successful, it will be difficult to generate the target number of cells to be differentiated, which is an obstacle to industrialization.
  • the differentiation induction is always successful and the target cells are generated.
  • it fails for example, when culturing cells necessary for treatment of a patient having a specific disease and a patient desiring transplantation, it is necessary to obtain the necessary number of cells having the necessary quality without failing. is there. Therefore, it is desired not only to select cells that may proliferate while maintaining an undifferentiated state, but also to obtain culture conditions for producing a target number of cells to be produced. In the technique described in Patent Document 1, it is possible to predict the cell quality from the actual measurement data, but it is not possible to acquire the culture conditions for producing the target number of cells to be produced.
  • the present disclosure has been made in view of the above circumstances, and an object of the present disclosure is to make it possible to obtain culture conditions for producing a desired number of cells to be produced.
  • the cell generation support device includes an information acquisition unit that acquires history information indicating a history of cells to be used and cell information of cells to be generated, and cultures cells based on the history information and the cell information acquired by the information acquisition unit. And a culture condition acquisition unit for acquiring culture conditions for performing the culture.
  • the culture condition acquisition unit may be used in any one of an initialization step of initializing cells, a culture step of culturing cells, and a differentiation step of inducing differentiation of cells.
  • the updated culture condition updated based on the measurement information related to the measurement when measuring the cells may be acquired as the culture condition.
  • the culture condition acquisition unit may include a first derivation unit that derives the culture condition based on the history information and the cell information.
  • the first derivation unit includes a first information set including history information indicating a history of cells to be used and cell information of cells to be generated, and the first information.
  • the first learned model that has been machine-learned using learning information including a plurality of information sets with culture conditions corresponding to the set may be included.
  • the culture condition acquisition unit updates the culture condition acquisition unit based on the measurement information and the first derivation unit that derives the culture condition based on the history information and the cell information acquired by the information acquisition unit.
  • a second derivation unit that derives the updated culture condition as the culture condition may be included.
  • the first derivation unit includes a first information set including history information indicating a history of cells to be used and cell information of cells to be generated, and the first information.
  • the first derivation model is machine-learned using learning information including a plurality of information sets with the culture conditions corresponding to the set, and the second derivation unit initializes the cells,
  • a second set of information including measurement information and culturing conditions related to measurement when measuring cells, and a second
  • a second trained model that has been machine-learned using learning information including a plurality of information sets with updated culture conditions corresponding to a set of information may be included.
  • the first learned model and the second learned model may be configured as one learned model.
  • the measurement information may be at least one of information related to the measurement unit and information indicating the measurement result obtained by the measurement by the measurement unit.
  • the information related to the measurement means includes information indicating one of the method used for measurement and the person in charge of measurement, and the information indicating the measurement result is measured.
  • the information may include any one or more of a cell state, a medium state, and the presence or absence of bacteria.
  • the measured cell state includes cell shape, cell color, cell number, cell size, cell odor, cell gene expression, cell metabolite.
  • the information of any one or more of the type and the protein of the cell may be included.
  • the culture condition acquisition unit may acquire, as the culture condition, the updated culture condition that is updated by adding weighting based on the information regarding the measuring means.
  • the cell generation support device may include a notification unit that notifies the culture conditions.
  • the culture conditions include the type of cells used, the number of cells used, the type of container used, the type of medium used, the type of additive used, the timing of treatment, Also, any one or more of the information regarding the person in charge may be included.
  • the processing timing is any one of seeding timing, passage timing, medium replacement timing, additive addition timing, and cell inspection timing. It may include one or more timings.
  • the history information is the name of the patient who is the carrier of the cells to be used, the sex of the patient, the blood type of the patient, the race of the patient, the age of the patient, the history of the disease of the patient.
  • the information may include any one or more of the patient's immune information and the disease history of the patient's blood relatives.
  • the cell information is any one or more of the types of cells to be generated, the number of cells to be generated, the state of cells to be generated, and the number of days to be completed. May be included.
  • the cell generation support method acquires history information indicating the history of cells to be used and cell information of cells to be generated, and acquires culture conditions for culturing cells based on the acquired history information and cell information. ..
  • the cell generation supporting method when measuring cells in any one of an initialization step of initializing cells, a culture step of culturing cells, and a differentiation step of inducing differentiation of cells
  • the updated culture condition updated on the basis of the measurement information related to the measurement may be acquired as the culture condition.
  • the cell generation support method according to the present disclosure may be provided as a program that causes a computer to execute the method.
  • Another cell generation support device includes a memory that stores instructions to be executed by a computer, and a processor configured to execute the stored instructions, the processor indicating a history of cells to be used.
  • a process of acquiring history information and cell information of a cell to be generated, and acquiring culture conditions for culturing cells based on the acquired history information and cell information is executed.
  • the processor in any one of the initialization step of initializing the cells, the culture step of culturing the cells, and the differentiation step of inducing the differentiation of the cells, You may perform the process which acquires as the culture condition the updated culture condition updated based on the measurement information relevant to the measurement at the time of measuring.
  • FIG. 3 is a diagram for explaining a trained model according to an embodiment of the present disclosure.
  • FIG. 3 is a diagram illustrating a first derivation unit according to an embodiment of the present disclosure.
  • FIG. 6 is a diagram for further explaining a trained model according to an embodiment of the present disclosure.
  • FIG. 3 is a diagram for explaining a second derivation unit according to an embodiment of the present disclosure.
  • the flowchart which shows the process performed in the cell production assistance apparatus of one Embodiment of this indication.
  • FIG. 6 is a diagram for explaining a process performed in the cell generation support device according to the embodiment of the present disclosure. Diagram for explaining each step of generating cells
  • FIG. 1 is a diagram showing a schematic configuration of a cell generation support device according to an embodiment of the present disclosure.
  • FIG. 1 shows that the cell generation support program is installed in the non-volatile memory 12.
  • the cell generation support program may be installed in the storage 13.
  • the memory 12 may be a volatile memory, in which case the cell generation support program called from the CPU 12 may be temporarily stored in the memory 12 and executed.
  • the cell generation support device includes the learned model. Therefore, only the cell generation support device is shown in FIG.
  • the cell generation support device 1 includes a CPU (Central Processing Unit) 11, a memory 12, and a storage 13 as a standard computer configuration.
  • the cell generation support device 1 is connected to a notification unit 14 for notifying a culture condition C, which will be described later, and an input device (hereinafter referred to as an input unit) 15 such as a keyboard and a mouse.
  • an input unit 15 such as a keyboard and a mouse.
  • reporting part 14 in one Embodiment of this indication is comprised by the display which visually displays the culture condition C as an example.
  • the notification unit 14 includes a display for visually displaying a message and the like, a sound reproducing device for audibly displaying when a sound is output, a printer for recording on a recording medium such as paper and the like for permanent visual display, a communication means such as an email or a telephone, and the like. It means an indicator light or the like, and may be a combination of at least two or more of the display, the audio reproducing device, the printer, the communication means, and the display light.
  • the notification unit 14 is an external device of the cell generation support device 1, but the technology of the present disclosure is not limited to this, and the notification unit 14 is included in a part of the cell generation support device 1. It may be.
  • the storage 13 comprises a storage device such as a hard disk or SSD (Solid State Drive).
  • the storage 13 stores various information including history information A indicating the history of cells to be used and information necessary for the process of the cell generation support device 1, acquired from an external data server (not shown) via the network.
  • the memory 12 stores a cell generation support program and a learned model.
  • the cell generation support program as processing to be executed by the CPU 11, information acquisition processing for acquiring history information indicating the history of cells to be used and cell information of cells to be generated, and culturing cells based on the acquired history information and cell information.
  • the culture condition acquisition process for acquiring the culture conditions for performing is defined.
  • the cell generation support program as a process to be executed by the CPU 11, in any one of an initialization step of initializing cells, a culture step of culturing cells, and a differentiation step of inducing differentiation of cells,
  • the culture condition acquisition process of acquiring the updated culture condition updated as the culture condition based on the measurement information related to the measurement at the time of measurement is further defined.
  • the computer functions as the information acquisition unit 21 and the culture condition acquisition unit 22 by the CPU 11 executing these processes according to the cell generation support program.
  • the CPU 11 executes the function of each unit by the cell generation support program.
  • a programmable logic device which is a processor whose circuit configuration can be changed after manufacture of an FPGA (Field Programmable Gate Array) or the like, can be used.
  • the processing of each unit may be executed by a dedicated electric circuit or the like, which is a processor having a circuit configuration specifically designed for executing a specific processing such as an ASIC (Application Specific Integrated Circuit).
  • One processing unit may be configured by one of these various processors, or may be a combination of two or more processors of the same type or different types (for example, a plurality of FPGAs or a combination of CPU and FPGA). It may be configured. Further, the plurality of processing units may be configured by one processor. As an example of configuring a plurality of processing units by one processor, firstly, as represented by a computer such as a client and a server, one processor is configured by a combination of one or more CPUs and software. There is a form in which the processor functions as a plurality of processing units.
  • SoC system on chip
  • a processor that realizes the function of the entire system including a plurality of processing units by one IC (Integrated Circuit) chip is used.
  • IC Integrated Circuit
  • the various processing units are configured by using one or more of the above various processors as a hardware structure.
  • the information acquisition unit 21 acquires history information A indicating the history of cells to be used and cell information B of cells to be generated. As an example, when the identification information written on the container containing the cells to be used is input from the input unit 15, the information acquisition unit 21 outputs the patient history information A corresponding to the input identification information to the outside. Get from server.
  • FIG. 2 is a diagram showing an example of history information A according to an embodiment of the present disclosure.
  • the history information A is information indicating the history of the cells used.
  • the history information A is, for example, as shown in FIG. 2, the name of a patient who is a carrier of cells to be used, the sex of the patient, the blood type of the patient, the race of the patient, the age of the patient, the history of the disease of the patient, the patient.
  • the relatives of the patient are, for example, relatives within the third degree relative to the patient himself. Note that the technology of the present disclosure is not limited to this, and may include, for example, a blood relative farther than the third degree relative.
  • the history information A indicates the information illustrated in FIG. 2. However, the technology of the present disclosure is not limited to this, and any one or more of the information illustrated in FIG. The information may be included.
  • FIG. 3 is a diagram showing an example of cell information B according to an embodiment of the present disclosure.
  • the cell information B is information on cells to be generated.
  • the cell information B includes information on a cell type B1 to be generated, a target cell number B2, a cell state B3 to be generated, and the number of days B4 to be generated.
  • the cell type B1 is information on the types of cells to be generated, such as iPS cells, cardiomyocytes, and nerve cells.
  • the target cell number B2 is information indicating the number of cells to be generated, such as 100,000 cells and 100 cells.
  • the cell state B3 is information indicating what one wants to do with the cell, such as wanting to culture and differentiating.
  • the number of days B4 for which generation is desired to be completed is information indicating the delivery date of cell culture, such as 60 days and 120 days.
  • the information acquisition unit 21 acquires, as an example, the cell type B1, the target cell number B2, and the cell state B3 input from the input unit 15 by the person in charge of generating cells as the cell information B.
  • the cell type B1 and the target cell number B2 are set in advance, they are not changed until the initialization step T1, the culture step T2, and the differentiation step T3 shown in FIG. 13 are all completed.
  • the cell state B3 is "I want to initialize" in the initial step T1, "I want to expand culture” and "I want to sort” in the culture step T2, and "I want to differentiate” in the differentiation step T3. It is changed by the person in charge for each process. In the technique of the present disclosure, as shown in FIG.
  • the cell information B is information indicating the cell type B1, the target cell number B2, the cell state B3, and the number of days B4 at which generation is desired to be completed.
  • the technology of the present disclosure is not limited to this, and the cell information B may be information including any one or more of these pieces of information.
  • the culture condition acquisition unit 22 acquires a culture condition C for culturing cells based on the history information A and the cell information B.
  • FIG. 4 is a diagram showing an example of culture conditions C according to an embodiment of the present disclosure.
  • the culture condition C is a culture condition for producing a desired number of cells to be produced.
  • the culturing condition C is a culturing condition for producing the desired number of cells to be produced with a desired quality.
  • the culture condition C indicates which cells are used, how many cells are used, which medium is used, which medium is used, which additive is added to generate the cells, and the desired number of cells can be generated. ..
  • the culture condition C is, as shown in FIG. 4 as an example, the type of cells used, the number of cells used, the type of container used, the type of medium used, the type of additive used, and the treatment. Includes information about the timing of, and the person in charge.
  • culture condition C includes the use of liver cells as cells A and vascular cells as cells B. Also, cell number, 10 5 cells A, 10 6 cells of cell B, and cell 10 5 A and a cell B 10 6 cells, etc., the number of specific uses for the cells contained in the culture condition C Be done.
  • the type of container used is, for example, a petri dish, n well plates having 6 wells, m well plates having 24 wells, and 1 T75 flask. And are included in culture condition C.
  • the culture conditions C include, as an example, the type of medium to be used, such as medium M1, medium M2, or a mixture of medium M1 and medium M2.
  • the culture condition C is set including the mixing ratio.
  • the type of the additive to be used includes, for example, the additive C1, the additive C2, or the mixture of the additive C1 and the additive C2 in the culture condition C.
  • the culture condition C is set including the mixing ratio.
  • the timing of the treatment is, for example, the timing of seeding, the timing of subculture, the timing of exchanging the medium, the timing of adding additives, and the timing of inspecting cells.
  • the culture condition C includes which treatment should be performed at which timing.
  • the culture condition C includes information about the person in charge, such as who is in charge of the person A and person B. For example, the person A who is good at fine work and the person B who is not good at fine work may have different effects on cell generation even if the same process is performed. Therefore, the culture condition C includes which person in charge and which process should be performed.
  • the condition shown in FIG. 4 as the embodiment is the culture condition C, but the technique of the present disclosure is not limited to this, and the culture condition C includes any one or more of the information shown in FIG. 4. Any information will do.
  • FIG. 5 is a diagram showing a schematic configuration of the culture condition acquisition unit 22 according to an embodiment of the present disclosure.
  • the culture condition acquisition unit 22 includes a first derivation unit 30 and a second derivation unit 31.
  • the first derivation unit 30 derives the culture condition C based on the history information A and the cell information B.
  • the first derivation unit 30 includes a learned model M that has been machine-learned using learning information.
  • FIG. 6 is a diagram illustrating a learned model M according to an embodiment of the present disclosure.
  • the learned model M includes a history information A indicating the history of cells to be used and a set P of cell information B of cells to be generated and a culture condition C corresponding to the set P of information.
  • Machine learning is performed using learning information including a plurality of information sets S. That is, the learned model M is machine-learned so as to output the culture condition C based on the history information A and the cell information B.
  • the learned model M succeeds when, for example, when the cells of the cell information B are generated from the cells of the patient X having the information set P of the patient X, that is, the cells of the history information A, the culture is performed under the culture condition C.
  • the model for obtaining the learned model M is also trained with the result of whether or not it is learned. As a result, when the history information A and the cell information B are input, the learned model M outputs the culture condition C capable of generating the cell indicated by the cell information B, with respect to the history information A and the cell information B. Learning is done to do.
  • FIG. 7 is a diagram for explaining the first derivation unit 30 according to an embodiment of the present disclosure.
  • the first derivation unit 30 has the learned model M described above as an example.
  • a predetermined threshold value is set.
  • the exceeded culture conditions are output as the culture condition C suitable for the cells to be generated.
  • the culture condition C is, as shown in FIG. 4, the type of cells used, the number of cells used, the type of container used, the type of medium used, the type of additive used, the timing of treatment, and the charge. It includes at least one of the information about the person.
  • the learned model M has the target quality for each number of cells to be used. , And outputs the probability that a target number of cells can be generated, and the culture condition acquisition unit 22 uses the cell number that has the target quality and has the highest probability of generating the target number of cells. It may be obtained as the number, that is, as the culture condition C most suitable for the cells to be generated.
  • the culture condition acquisition unit 22 performs measurement when measuring cells in any one of the initialization step T1, the culture step T2, and the differentiation step T3.
  • the updated culture condition E updated based on the measurement information D related to is acquired as the culture condition C.
  • FIG. 8 is a diagram showing an example of the measurement information D according to an embodiment of the present disclosure.
  • the measurement information D is information related to the measurement when measuring the cells in the inspection of the cells, and as shown in FIG. 8, information D1 regarding the measuring means and information D2 indicating the measurement result obtained by the measurement by the measuring means. is there.
  • the information D1 on the measuring means includes information on the method used for the measurement and information on the person in charge of the measurement.
  • the method used for the measurement there is information on the type of the measuring device and the presence/absence of use of the measuring device, and there are a phase contrast microscope, a bright field microscope, visual inspection, and the like.
  • the information of the person in charge of measurement there are information such as the names of the respective measurers such as the measurer A and the measurer B and the mature years of the measurement.
  • the information D2 indicating the measurement result obtained by the measurement includes information on the measured cell state, medium state, and presence/absence of bacteria.
  • the measured cell state is the inspection value of the cell, and the shape of the cell, the color of the cell, the number of cells, the size of the cell, the odor of the cell, the gene expression of the cell, the kind of the metabolite of the cell, the type of the cell.
  • cell protein information is information on whether or not a protein is synthesized, and cell gene expression refers to a process in which gene information is converted into structure and function in the cell.
  • a protein is measured using a fluorescent probe, and gene expression is measured using a gene amplification agent of a target obtained by grinding cells. Note that the present disclosure is not limited to this, and a known measurement method can be used.
  • the state of the medium includes information such as the color of the medium, metabolites of cells contained in the medium, and the concentration of gas dissolved in the medium.
  • the color of the medium By measuring the color of the medium, the amount of carbon dioxide dissolved in the medium can be measured.
  • the gas concentration for example, the carbon concentration and nitrogen concentration in the medium are measured. This makes it possible to detect whether or not the cells have been normally cultured.
  • the presence/absence of the bacterium is information such as whether the cell has the bacterium, the medium has the bacterium, the cells and the medium have the bacterium, and the bacterium does not have the bacterium.
  • the information illustrated in FIG. 8 is set as the measurement information D as one embodiment, but the technique of the present disclosure is not limited to this, and the measurement information D includes any one or more of the information illustrated in FIG. 8. Any information can be included.
  • the method used for the measurement may be a method using a phase contrast microscope, for example. That is, in the initialization step T1, blood cells 41 and skin cells 42 are perforated, and a drug is introduced into the perforated holes. In this case, the cells may not be successfully initialized unless the holes are formed in the size, shape, and depth necessary for containing the drug. Therefore, for example, the size of the hole is measured from the image obtained by imaging the perforated cell 41 and the skin cell 42 with a phase contrast microscope.
  • the method used for measurement in the initialization step T1 is not limited to the phase-contrast microscope, and any method may be used as long as it can measure holes.
  • a method used for measurement performed when selecting iPS cells there is, for example, a method using a phase contrast microscope.
  • An iPS cell 43 is imaged using a phase-contrast microscope to acquire a captured image, and the size and shape of the iPS cell 43 in the acquired captured image are measured to form an iPS having a well-shaped shape, that is, a differentiation-inducible shape.
  • the iPS cell 44 is the cell 44
  • the iPS cell 44 is expanded and continuously cultivated.
  • the iPS cell 44 has an irregular shape, that is, the iPS cell 44 has a shape that cannot induce differentiation
  • the cells are sorted.
  • the method of using the iPS cells 43 for measurement is not limited to the phase contrast microscope, and may be the visual observation of the measurer or any other method.
  • the culture condition acquisition unit 22 includes the above-described measurement information related to measurement when measuring cells in any one of the initialization step T1, the culture step T2, and the differentiation step T3. Based on D, the updated culture condition E in which the culture condition C at the time when the measurement information D is acquired is updated is acquired as a new culture condition C.
  • FIG. 9 is a diagram for further explaining the learned model M according to an embodiment of the present disclosure.
  • the learned model M includes a set G of measurement information D and a culture condition C related to measurement when measuring cells, and an updated culture condition E corresponding to the set G of information.
  • Machine learning is performed using learning information including a plurality of information sets R. That is, the learned model M is machine-learned so as to output the updated culture condition E based on the measurement information D and the culture condition C at the time when the measurement information D was acquired.
  • the learned model M includes the learned model M together with the result of whether or not the culture is successful when the cells of the cell information B are generated from the cells of the patient X and the culture is performed under the updated culture condition E.
  • the model to get As a result, in the learned model M, when the new measurement information D and the culture condition C at the time when the new measurement information D is acquired are input, the cell information B indicates the new measurement information D. Learning is performed so as to output the updated culture condition E capable of generating cells.
  • the learned model M illustrated in FIG. 6 and the learned model M illustrated in FIG. 9 are the same model, but the technique of the present disclosure is not limited to this.
  • the learned model M shown may be a first learned model and the learned model M shown in FIG. 9 may be a second learned model.
  • a machine learning algorithm in the learned model M can use, for example, a neural network (NN (Neural Network)) on which deep learning (deep learning) is performed.
  • NN Neurological Network
  • the technology of the present disclosure is not limited to this, and examples thereof include a support vector machine (SVM), a convolutional neural network (CNN), a convolutional neural network (CNN), and a recurrent.
  • SVM support vector machine
  • CNN convolutional neural network
  • CNN convolutional neural network
  • CNN convolutional neural network
  • RNN Recurrent Neural Network
  • FIG. 10 is a diagram illustrating the second derivation unit 31 according to an embodiment of the present disclosure.
  • the second derivation unit 31 has the learned model M described above as an example.
  • the measurement information D and the measurement information D measured for each cell measurement are acquired.
  • the culture condition C at a certain time is input, the culture condition exceeding the predetermined threshold value is output as the renewed culture condition E suitable for the cells to be generated.
  • the updated culture condition E is, for example, when the number of cells to be used is the updated culture condition E and the measurement information D and the culture condition C at the time when the measurement information D is acquired are input to the learned model M.
  • the learned model M outputs the probability that a target number of cells can be generated for each number of cells to be used, and the culture condition acquisition unit 22 sets the target quality and the target number.
  • the number of cells that has the highest probability of generating a certain number of cells may be acquired as the number of cells to be used, that is, the updated culture condition E most suitable for the cells to be generated.
  • FIG. 11 is a flowchart showing a process performed in the cell generation support device 1 according to an embodiment of the present disclosure
  • FIG. 12 is a diagram for explaining a process performed in the cell generation support device 1 according to an embodiment of the present disclosure.
  • the information acquisition unit 21 acquires history information A indicating the history of cells to be used and cell information B of cells to be generated (step ST1).
  • the culture condition acquisition unit 22 inputs the history information A and the cell information B acquired by the information acquisition unit 21 into the learned model M to acquire the culture condition C for culturing the cells, as shown in FIG.
  • the notification unit 14 notifies the culture condition C acquired by the culture condition acquisition unit 22.
  • the culture condition C is displayed on the display (step ST2).
  • the person in charge starts the work of generating cells based on the information about the type, the timing of the process, and the person in charge. First, as shown in FIG. 13, a person in charge collects cells based on the culture condition C from the patient 40, and the initialization step T1 of the collected cells is started.
  • the CPU 11 determines a predetermined timing in each step of the initialization step T1 for initializing cells, the culture step T2 for culturing cells, and the differentiation step T3 for inducing differentiation of cells, that is, the determination.
  • the determination timing can be set based on the cell inspection timing, and the determination timing can be set between a certain cell inspection timing and the next cell inspection timing.
  • step ST3 determines in step ST3 that the new measurement information D is not acquired (step ST3; NO)
  • the CPU 11 shifts the processing to step ST6 and completes all the steps. It is determined whether or not (step ST6).
  • step ST3 when it is determined in step ST3 that the culture condition acquisition unit 22 has acquired new measurement information D (step ST3; YES), the culture condition acquisition unit 22 acquires the acquired new measurement information D as shown in FIG.
  • the updated culture condition E output from the learned model M is acquired as the new culture condition C by inputting the measurement information D and the culture condition C at the time when the new measurement information D is acquired into the learned model M. Yes (step ST4).
  • the notification unit 14 notifies the culture condition C newly acquired by the culture condition acquisition unit 22. Specifically, the culture condition C is displayed on the display (step ST5).
  • step ST6 determines whether or not all steps have been completed.
  • step ST6 determines whether or not all steps have been completed.
  • step ST6 determines whether or not all steps have been completed.
  • step ST6; NO the CPU 11 shifts the processing to step ST3 and performs the subsequent processing. That is, based on the cell inspection timing of the updated culture condition C, it is determined whether or not the culture condition acquisition unit 22 has acquired new measurement information D related to the measurement when measuring the cells (step ST3). ..
  • step ST6 YES
  • the cell generation support device 1 ends the series of processes.
  • the history information A indicating the history of the cells to be used and the cell information B of the cells to be generated are acquired, and the acquired history information A and the cell information are acquired. Since the culture condition C for culturing the cells is obtained based on B, the culture condition C for producing the target number of cells to be produced can be obtained. Further, according to the cell generation support device 1 of one embodiment of the present disclosure, any one of an initialization step T1 for initializing cells, a culture step T2 for culturing cells, and a differentiation step T3 for inducing differentiation of cells.
  • the updated culture condition E obtained by updating the culture condition C at the time when the measurement information D is acquired is acquired as the culture condition C. It is possible to obtain a more optimal culture condition C for producing the target number of cells to be produced each time the cells are measured.
  • the optimum culture condition C can be acquired for each measurement at the cell inspection timing based on the culture condition C. Therefore, the person in charge of generating the cell generates the cell based on the optimum culture condition C. It is possible to improve the possibility that the desired number of cells to be generated can be generated as compared with the conventional method.
  • the first derivation unit 30 and the second derivation unit 31 include the learned model M, but the technique of the present disclosure is not limited thereto. If the first derivation unit 30 can derive the culture condition C based on the history information A and the cell information B, the history information A and the cell information B, and the culture condition C can be obtained without using machine learning.
  • the correspondence table, calculation formula, and the like may be used.
  • the second culture unit 31 can derive the updated culture condition E based on the measurement information D, either the correspondence table or the calculation formula is used. You may.
  • the culture condition acquisition unit 22 of the above-described embodiment may further acquire, as the culture condition C, the updated culture condition E that is updated by adding weighting based on the information D1 regarding the measuring means.
  • the person A who is good at fine work and the person B who is not good at fine work may have different effects on cell generation even if the same process is performed.
  • the influence on the generation of cells may differ between the visual inspection by the person in charge and the measurement using the measuring device. Therefore, the weighting based on the information D1 regarding the measuring means, that is, the weighting based on the information D1 regarding the measuring means, which is more accurate in the measurement result, is added to the updated renewed culture condition E.
  • the more optimal culture condition C can be obtained as compared with the above-described embodiment.
  • the learned model M of the above-described embodiment has new measurement information D, updated culture condition E derived from culture condition C acquired at the time of acquiring this measurement information D, and target quality, Further, learning is performed so as to output the probability that a target number of cells can be generated and output, but the present invention is not limited to this, and instead of the culture condition C, information including history information A and cell information B is used.
  • the renewed culture condition E may be derived.
  • the notification unit 14 of the above-described embodiment displays the culture condition C, in addition to these, the probability that the cell indicated by the cell information B can be generated, the history information A, the cell information B, Even if the acquired measurement information D, that is, the information D1 about the measuring means, the information D2 indicating the measurement result obtained by the measurement, and the information D2 indicating the measurement result obtained by the measurement, are displayed. Good.
  • cell generation support device 1 which is an embodiment of the technique of the present disclosure can be appropriately modified in design without departing from the gist of the technique of the present disclosure.
  • Second derivation part 40 patients 41 blood cells 42 skin cells 43,44,45,46 iPS cells 47 nerve cells 48 cardiomyocytes 49 Liver cells A career information B cell information B1 cell type B2 target cell number B3 cell status B4 Number of days to complete generation C culture conditions D measurement information Information about D1 measuring means Information indicating the measurement results obtained by D2 measurement E Renewal culture conditions M trained model (first trained model, second trained model) P information set (first information set) G information set (second information set) R information set S information set T1 initialization process T1 initial process T2 culture process T3 differentiation process X patient

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Microbiology (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Medicinal Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Sustainable Development (AREA)
  • Physics & Mathematics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

細胞生成支援装置、方法、及びプログラムにおいて、生成したい細胞を目標とする数だけ生成するための培養条件を取得できるようにする。使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得し、取得した経歴情報及び細胞情報に基づいて細胞を培養するための培養条件を取得する。

Description

細胞生成支援装置、方法、及びプログラム

　本開示の技術は、細胞生成支援装置、方法、及びプログラムに関する。

　近年、ＥＳ（Embryonic Stem）細胞及びｉＰＳ（Induced Pluripotent Stem）細胞等の多能性幹細胞は、種々の組織の細胞に分化する能力を備えており、再生医療、薬の開発、病気の解明等において応用が可能な細胞として注目されている。例えばｉＰＳ細胞を分化させることにより、所望する細胞を所望する個数生成したい場合には、図１３に示すように、患者４０から血球細胞４１又は皮膚細胞４２等の細胞を採取して、採取した細胞に複数の遺伝子を導入することでｉＰＳ細胞４３を生成する初期化工程Ｔ１、生成されたｉＰＳ細胞４３を培養（以下、拡大培養ともいう）して所望する個数のｉＰＳ細胞４６を生成する培養工程Ｔ２、生成された個数のｉＰＳ細胞４６を神経細胞４７、心筋細胞４８、及び肝臓細胞４９等に分化誘導する分化工程Ｔ３を経る必要がある。一般的には初期化工程Ｔ１と培養工程Ｔ２を合わせて２か月程度、分化工程Ｔ３は２から３か月程度の期間を要する。

　培養工程Ｔ２においては、ｉＰＳ細胞４３を収容した培養容器から培地を除去し、ｉＰＳ細胞４３を新しい培地に移す「継代」と称する操作がある。継代操作においては、増殖したｉＰＳ細胞４３を、複数の培養容器に予め定められた大きさ及び密度で均一に播種し、細胞の株分けが行われる。培養細胞を継代する際に、特に初期化されたｉＰＳ細胞の場合は、一般的に、未分化状態を維持して増殖する可能性がある細胞を、作業の担当者が目視で観察することにより選択している。担当者は、例えば形が整っているｉＰＳ細胞４４は継続して培養し、形が整っていないｉＰＳ細胞４５は取り除くといった細胞の選別を行う。しかしながら、担当者による細胞の選別が行われた場合であっても、ｉＰＳ細胞からの分化誘導が上手くいかないケースが発生している。分化誘導が上手くいかないと、分化させたい細胞を目標とする個数生成することが困難となり、このことが、産業化への障害となっている。

　そこで、画像からｉＰＳ細胞の良悪を選択する方法、代謝物を計測する方法、及び遺伝子を計測する方法等、個々に細胞を計測することにより、培養及び分化に適した細胞を選別することが行われている。特許文献１には、培養時間が異なる二つ以上の時点（予測時）において各サンプルの細胞を撮影して取得した各画像を解析することにより生成した細胞の形態に関する２つ以上の指標と、サンプル毎に取得した予測目標の実測データとを用いて、細胞の品質を予測する予測モデルが開示されている。

特開２００９－４４９７４号公報

　一方、培養工程Ｔ２において、未分化状態を維持して増殖する可能性がある細胞を選んで分化誘導させた場合であっても、分化誘導が必ず成功して目標とする細胞が生成されるとは限らず、失敗する場合もある。しかしながら、例えば特定の疾患を有する患者及び移植を望む患者等に対しての治療に必要な細胞を培養する場合には、失敗せずに必要な品質を備えた細胞を必要な個数取得する必要がある。そこで、未分化状態を維持して増殖する可能性がある細胞を選ぶだけではなく、生成したい細胞を目標とする数だけ生成するための培養条件を取得することが望まれる。上記特許文献１に記載の技術では、実測データから細胞の品質を予測することは可能であるが、生成したい細胞を目標とする数だけ生成するための培養条件を取得することはできない。

　本開示は上記事情に鑑みなされたものであり、生成したい細胞を目標とする数だけ生成するための培養条件を取得できるようにすることを目的とする。

　本開示による細胞生成支援装置は、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得する情報取得部と、情報取得部で取得した経歴情報及び細胞情報に基づいて細胞を培養するための培養条件を取得する培養条件取得部とを含む。

　なお、本開示による細胞生成支援装置においては、培養条件取得部は、細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報に基づいて更新した更新培養条件を、培養条件として取得してもよい。

　また、本開示による細胞生成支援装置においては、培養条件取得部は、経歴情報及び細胞情報に基づいて培養条件を導出する第１の導出部を含んでもよい。

　また、本開示による細胞生成支援装置においては、第１の導出部は、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を含む第１の情報の組と、この第１の情報の組に対応する培養条件との情報セットを複数含む学習情報を用いて機械学習された第１の学習済みモデルを含んでもよい。

　また、本開示による細胞生成支援装置においては、培養条件取得部は、　情報取得部で取得した経歴情報及び細胞情報に基づいて培養条件を導出する第１の導出部と、計測情報に基づいて更新した更新培養条件を培養条件として導出する第２の導出部とを含んでもよい。

　また、本開示による細胞生成支援装置においては、第１の導出部は、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を含む第１の情報の組と、この第１の情報の組に対応する培養条件との情報セットを複数含む学習情報を用いて機械学習された第１の学習済みモデルを含み、第２の導出部は、細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報及び培養条件を含む第２の情報の組と、第２の情報の組に対応する更新培養条件との情報セットを複数含む学習情報を用いて機械学習された第２の学習済みモデルを含んでもよい。

　また、本開示による細胞生成支援装置においては、第１の学習済みモデルと第２の学習済みモデルとが１つの学習済みモデルで構成されていてもよい。

　また、本開示による細胞生成支援装置においては、計測情報は、計測手段に関連する情報及び計測手段による計測で得られた計測結果を示す情報の少なくとも一方の情報であってもよい。

　また、本開示による細胞生成支援装置においては、計測手段に関連する情報は、計測に用いた方法及び計測した担当者の何れか一方を示す情報を含み、計測結果を示す情報は、計測された細胞の状態、培地の状態、及び菌の有無のうち、何れか１以上の情報を含んでもよい。

　また、本開示による細胞生成支援装置においては、計測された細胞の状態は、細胞の形状、細胞の色、細胞の数、細胞の大きさ、細胞の匂い、細胞の遺伝子発現、細胞の代謝物の種類、及び細胞のタンパク質のうち、何れか１以上の情報を含んでもよい。

　また、本開示による細胞生成支援装置においては、培養条件取得部は、計測手段に関する情報に基づいた重み付けを付加して更新した更新培養条件を、培養条件として取得してもよい。

　また、本開示による細胞生成支援装置においては、培養条件を報知する報知部を含んでもよい。

　また、本開示による細胞生成支援装置においては、培養条件は、使用する細胞の種類、使用する細胞数、使用する容器の種類、使用する培地の種類、使用する添加物の種類、処理のタイミング、及び担当者に関する情報のうち、何れか１以上を含んでもよい。

　また、本開示による細胞生成支援装置においては、処理のタイミングは、播種のタイミング、継代のタイミング、培地を交換するタイミング、添加物を添加するタイミング、及び細胞を検査するタイミングのうち、何れか１以上のタイミングを含んでもよい。

　また、本開示による細胞生成支援装置においては、経歴情報は、使用する細胞の保有者である患者の名前、患者の性別、患者の血液型、患者の人種、患者の年齢、患者の疾患歴、患者の免疫情報、及び患者の血縁者の疾患歴のうち、何れか１以上の情報を含んでもよい。

　また、本開示による細胞生成支援装置においては、細胞情報は、生成したい細胞の種類、生成したい細胞の数、生成したい細胞の状態、及び生成を完了したい日数のうち、何れか１以上の情報を含んでもよい。

　本開示による細胞生成支援方法は、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得し、取得した経歴情報及び細胞情報に基づいて細胞を培養するための培養条件を取得する。

　また、本開示による細胞生成支援方法においては、細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報に基づいて更新した更新培養条件を、培養条件として取得してもよい。

　なお、本開示による細胞生成支援方法をコンピュータに実行させるためのプログラムとして提供してもよい。

　本開示による他の細胞生成支援装置は、コンピュータに実行させるための命令を記憶するメモリと、記憶された命令を実行するよう構成されたプロセッサとを備え、プロセッサは、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得し、取得した経歴情報及び細胞情報に基づいて細胞を培養するための培養条件を取得する処理を実行する。

　なお、上記他の細胞生成支援装置においては、プロセッサは、細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報に基づいて更新した更新培養条件を、培養条件として取得する処理を実行してもよい。

　本開示の一実施形態によれば、生成したい細胞を目標とする数だけ生成するための培養条件を取得できる。

本開示の一実施形態による細胞生成支援装置の概略構成を示す図 本開示の一実施形態による経歴情報の一例を示す図 本開示の一実施形態による細胞情報の一例を示す図 本開示の一実施形態による培養条件の一例を示す図 本開示の一実施形態による培養条件取得部の概略構成を示す図 本開示の一実施形態による学習済みモデルを説明するための図 本開示の一実施形態による第１の導出部を説明するための図 本開示の一実施形態による計測情報の一例を示す図 本開示の一実施形態による学習済みモデルをさらに説明するための図 本開示の一実施形態による第２の導出部を説明するための図 本開示の一実施形態の細胞生成支援装置において行われる処理を示すフローチャート 本開示の一実施形態の細胞生成支援装置において行われる処理を説明するための図 細胞を生成する各工程を説明するための図

　以下、図面を参照して本開示の一実施形態について説明する。図１は本開示の一実施形態による細胞生成支援装置の概略構成を示す図である。図１は、細胞生成支援プログラムが不揮発性のメモリ１２にインストールされたことを示している。なお、細胞生成支援プログラムはストレージ１３にインストールされてもよい。また、メモリ１２が揮発性のメモリであってもよく、その場合、ＣＰＵ１２から呼び出された細胞生成支援プログラムが一時的にメモリ１２へ記憶され、実行されてもよい。なお、本開示の一実施形態においては、細胞生成支援装置が、学習済みモデルを内包するものとする。このため、図１には細胞生成支援装置のみを示す。図１に示すように、細胞生成支援装置１は、標準的なコンピュータの構成として、ＣＰＵ（Central Processing Unit）１１、メモリ１２及びストレージ１３を備えている。また、細胞生成支援装置１には、後述する培養条件Ｃを報知する報知部１４、並びにキーボード及びマウス等の入力装置（以下、入力部とする）１５が接続されている。

　本開示の一実施形態における報知部１４は、一例として培養条件Ｃを可視表示させるディスプレイで構成される。なお報知部１４はメッセージ等を可視表示させるディスプレイ、音声が出力されることにより可聴表示させる音声再生装置、用紙等の記録媒体に記録して永久可視表示させるプリンタ、メールや電話等の通信手段及び表示灯等を意味し、上記ディスプレイ、上記音声再生装置、上記プリンタ、上記通信手段及び上記表示光のうちの少なくとも２つ以上を組み合わせてもよい。なお、本開示の一実施形態は、報知部１４が細胞生成支援装置１の外部装置としているが、本開示の技術はこれに限られず、報知部１４が細胞生成支援装置１の一部に含まれていてもよい。

　ストレージ１３は、ハードディスクまたはＳＳＤ（Solid State Drive）等のストレージデバイスからなる。ストレージ１３には、ネットワークを経由して外部のデータサーバ（図示せず）から取得した、使用する細胞の経歴を示す経歴情報Ａ及び細胞生成支援装置１の処理に必要な情報を含む各種情報が記憶されている。

　また、メモリ１２には、細胞生成支援プログラム、及び学習済みモデルが記憶されている。細胞生成支援プログラムは、ＣＰＵ１１に実行させる処理として、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得する情報取得処理、並びに取得した経歴情報及び細胞情報に基づいて細胞を培養するための培養条件を取得する培養条件取得処理を規定する。また、細胞生成支援プログラムは、ＣＰＵ１１に実行させる処理として、細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報に基づいて更新した更新培養条件を、培養条件として取得する培養条件取得処理をさらに規定する。

　そして、ＣＰＵ１１が細胞生成支援プログラムに従いこれらの処理を実行することで、コンピュータは、情報取得部２１及び培養条件取得部２２として機能する。なお、本実施形態においては、ＣＰＵ１１が細胞生成支援プログラムによって、各部の機能を実行するようにしたが、ソフトウェア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としては、ＣＰＵ１１の他、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）を用いることができる。また、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により、各部の処理を実行するようにしてもよい。

　１つの処理部は、これら各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、またはＣＰＵとＦＰＧＡの組み合わせ等）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を１つ以上用いて構成される。

　さらに、これらの各種のプロセッサのハードウェア的な構造は、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）である。

　情報取得部２１は、使用する細胞の経歴を示す経歴情報Ａ及び生成したい細胞の細胞情報Ｂを取得する。情報取得部２１は、一例として、使用する細胞が収容された容器に記された識別情報が入力部１５から入力された場合に、入力された識別情報に対応する患者の経歴情報Ａを、外部サーバから取得する。

　図２は本開示の一実施形態による経歴情報Ａの一例を示す図である。経歴情報Ａは、使用する細胞の経歴を示す情報である。経歴情報Ａは、一例として図２に示すように、使用する細胞の保有者である患者の名前、患者の性別、患者の血液型、患者の人種、患者の年齢、患者の疾患歴、患者の免疫情報、及び患者の血縁者の疾患歴の情報である。本開示の一実施形態として、患者の血縁者は、例えば患者本人からみて３親等以内の血縁者とする。なお、本開示の技術はこれに限られず、例えば３親等よりも遠い血縁者を含んでもよい。また、本開示においては、一例として経歴情報Ａは図２に示す情報を示すものとしたが、本開示の技術はこれに限られず、図２に示す情報のうち、何れか１以上の情報を含む情報であってもよい。

　図３は本開示の一実施形態による細胞情報Ｂの一例を示す図である。細胞情報Ｂは、生成したい細胞の情報である。細胞情報Ｂは、一例として図３に示すように、生成したい細胞の種類Ｂ１、目標細胞数Ｂ２、生成したい細胞の状態Ｂ３、及び生成を完了したい日数Ｂ４の情報を含む。細胞の種類Ｂ１は、ｉＰＳ細胞、心筋細胞、及び神経細胞等の生成したい細胞の種類の情報である。目標細胞数Ｂ２は、１０万個及び１００個等の生成したい細胞の数を示す情報である。細胞の状態Ｂ３は、培養したい、及び分化させたい等、細胞に対して何をしたいのかを示す情報である。生成を完了したい日数Ｂ４は、６０日、及び１２０日等、細胞の培養納期を示す情報である。

　情報取得部２１は、一例として細胞の生成を行う担当者により入力部１５から入力された細胞の種類Ｂ１、目標細胞数Ｂ２、細胞の状態Ｂ３を細胞情報Ｂとして取得する。なお、細胞の種類Ｂ１及び目標細胞数Ｂ２は、予め設定されると、図１３に示す初期化工程Ｔ１、培養工程Ｔ２、及び分化工程Ｔ３の全てが終了するまで変更されない。細胞の状態Ｂ３は、初期工程Ｔ１であれば「初期化したい」、培養工程Ｔ２であれば「拡大培養したい」及び「選別したい」、分化工程Ｔ３であれば「分化させたい」のように、各工程毎に担当者によって変更される。本開示の技術においては、一例として図３に示すように、細胞情報Ｂは細胞の種類Ｂ１、目標細胞数Ｂ２、細胞の状態Ｂ３、及び生成を完了したい日数Ｂ４の情報を示すものとしたが、本開示の技術はこれに限られず、細胞情報Ｂはこれらの情報のうち、何れか１以上の情報を含む情報であってもよい。

　培養条件取得部２２は、経歴情報Ａ及び細胞情報Ｂに基づいて細胞を培養するための培養条件Ｃを取得する。図４は本開示の一実施形態による培養条件Ｃの一例を示す図である。培養条件Ｃは、生成したい細胞を目標とする数だけ生成するための培養条件である。なお、ここで「生成したい細胞」は目標とする品質を備えた細胞であることが望ましい。従って、本実施形態において、培養条件Ｃは、生成したい細胞を目標とする品質で、かつ目標とする数だけ生成するための培養条件である。培養条件Ｃは、どの細胞をどのくらいの数、どの容器で、どの培地を使用して、どの添加物を添加して細胞を生成すれば、生成したい細胞を目標数生成することができるのかを示す。培養条件Ｃは、具体的には、一例として図４に示すように、使用する細胞の種類、使用する細胞数、使用する容器の種類、使用する培地の種類、使用する添加物の種類、処理のタイミング、及び担当者に関する情報を含む。

　使用する細胞の種類は、一例として、細胞Ａ、細胞Ｂ、又は細胞Ａと細胞Ｂ等である。例えば細胞Ａとして肝臓細胞、細胞Ｂとして血管細胞をそれぞれ使用することが培養条件Ｃに含まれる。また、細胞数は、細胞Ａを１０５個、細胞Ｂを１０６個、及び細胞Ａを１０５個と細胞Ｂを１０６個等、具体的に使用する細胞の個数が培養条件Ｃに含まれる。また、使用する容器の種類は、一例としてシャーレ、６つのウェルを有するウェルプレートをｎ個、２４つのウェルを有するウェルプレートをｍ個、及びＴ７５フラスコをｌ個等、使用する容器の種類と個数とが培養条件Ｃに含まれる。また、使用する培地の種類は、一例として、培地Ｍ１、培地Ｍ２、又は培地Ｍ１と培地Ｍ２との混合等が培養条件Ｃに含まれる。なお、培地が混合である場合には、混合する割合を含めて培養条件Ｃとする。また、使用する添加物の種類は、一例として、添加物Ｃ１、添加物Ｃ２、又は添加物Ｃ１と添加物Ｃ２との混合等が培養条件Ｃに含まれる。なお、添加物が混合である場合には、混合する割合を含めて培養条件Ｃとする。

　処理のタイミングは、一例として、播種のタイミング、継代のタイミング、培地を交換するタイミング、添加物を添加するタイミング、及び細胞を検査するタイミングである。どの処理をどのタイミングで行えばよいのかが培養条件Ｃに含まれる。また、担当者に関する情報は、担当者Ａ、担当者Ｂなど、どの処理を誰に担当させるかが培養条件Ｃに含まれる。例えば、細かい作業が得意な担当者Ａと、細かい作業が苦手な担当者Ｂとでは、同じ処理を行った場合であっても、細胞の生成に与える影響が異なる場合がある。そのため、どの担当者が、どの処理を行うべきなのかが培養条件Ｃに含まれる。

　なお、本開示においては、一実施形態として図４に示す条件を培養条件Ｃとしたが、本開示の技術はこれに限られず、培養条件Ｃは図４に示す情報を何れか１つ以上含む情報であればよい。

　図５は本開示の一実施形態による培養条件取得部２２の概略構成を示す図である。培養条件取得部２２は、図５に示すように、第１の導出部３０と第２の導出部３１とを含む。第１の導出部３０は、経歴情報Ａ及び細胞情報Ｂに基づいて培養条件Ｃを導出する。本実施形態においては、一例として、第１の導出部３０は学習情報を用いて機械学習された学習済みモデルＭを含む。

　図６は本開示の一実施形態による学習済みモデルＭを説明するための図である。学習済みモデルＭは、図６に示すように、使用する細胞の経歴を示す経歴情報Ａ及び生成したい細胞の細胞情報Ｂの情報の組Ｐと、情報の組Ｐに対応する培養条件Ｃとの情報セットＳを複数含む学習情報を用いて機械学習される。すなわち、学習済みモデルＭは、経歴情報Ａ及び細胞情報Ｂに基づいて培養条件Ｃを出力するように機械学習がなされている。なお、学習済みモデルＭは、例えば患者Ｘの情報の組Ｐすなわち経歴情報Ａを有する患者Ｘの細胞から細胞情報Ｂの細胞を生成する際に、培養条件Ｃで培養を行った場合に成功したか否かの結果も合わせて学習済みモデルＭを得るためのモデルに学習させる。これにより、学習済みモデルＭは、経歴情報Ａ及び細胞情報Ｂが入力されると、経歴情報Ａ及び細胞情報Ｂに対して、細胞情報Ｂが示す細胞を生成することができる培養条件Ｃを出力するように学習がなされる。

　図７は本開示の一実施形態による第１の導出部３０を説明するための図である。第１の導出部３０は一例として上述した学習済みモデルＭを有している。これにより、図７に示すように、経歴情報Ａを有する患者Ｘの細胞から細胞情報Ｂの細胞を生成する場合に、経歴情報Ａ及び細胞情報Ｂが入力されると、予め定められた閾値を超えた培養条件が、生成したい細胞に適した培養条件Ｃとして出力される。なお、培養条件Ｃは、図４に示すように、使用する細胞の種類、使用する細胞数、使用する容器の種類、使用する培地の種類、使用する添加物の種類、処理のタイミング、及び担当者に関する情報の少なくとも１つを含む。従って、例えば使用する細胞数を培養条件Ｃとする場合に、学習済みモデルＭに経歴情報Ａ及び細胞情報Ｂが入力された場合、学習済みモデルＭは使用する細胞数毎に、目標とする品質で、かつ目標とする数の細胞が生成できる確率を出力し、培養条件取得部２２が、目標とする品質で、かつ目標とする数の細胞が生成できる確率が最も高い細胞数を使用する細胞数として、すなわち、生成したい細胞に最も適した培養条件Ｃとして取得するようにしてもよい。

　本開示の一実施形態による培養条件取得部２２は、図１３に示すように、初期化工程Ｔ１、培養工程Ｔ２、及び分化工程Ｔ３のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報Ｄに基づいて更新した更新培養条件Ｅを、培養条件Ｃとして取得する。

　ここで、計測情報Ｄについて説明する。図８は本開示の一実施形態による計測情報Ｄの一例を示す図である。計測情報Ｄは細胞の検査で細胞を計測する際の計測に関連する情報であり、図８に示すように、計測手段に関する情報Ｄ１及び計測手段による計測で得られた計測結果を示す情報Ｄ２である。

　計測手段に関する情報Ｄ１は、計測に用いた方法の情報及び計測した担当者の情報を含む。計測に用いた方法としては、計測装置の種類や計測装置の使用の有無の情報があり、位相差顕微鏡、明視野顕微鏡、及び目視等がある。また計測した担当者の情報としては、計測者Ａ、及び計測者Ｂ等、各計測者の名前や計測の熟年度等の情報がある。

　計測で得られた計測結果を示す情報Ｄ２は、計測された細胞の状態、培地の状態、及び菌の有無の情報を含む。計測された細胞の状態は、細胞の検査値であり、細胞の形状、細胞の色、細胞の数、細胞の大きさ、細胞の匂い、細胞の遺伝子発現、細胞の代謝物の種類、細胞のタンパク質の情報、及び細胞にあけた穴の大きさ等である。なお、本開示においては、細胞のタンパク質の情報は、タンパク質が合成されているか否かの情報であり、細胞の遺伝子発現は、遺伝子の情報が細胞における構造及び機能に変換される過程をいう。本開示の技術においては、一例としてタンパク質は蛍光プローブを使用して計測し、遺伝子発現は、細胞をすりつぶして対象とする遺伝子の増幅剤を用いて計測する。なお、本開示はこれに限られず、公知の計測方法を使用することができる。

　また、培地の状態は、培地の色、培地に含まれる細胞の代謝物、培地に溶けている気体濃度等の情報を含む。培地の色を計測することにより、培地に溶けている二酸化炭素の量を計測することができる。気体濃度は、一例として培地中の炭素濃度及び窒素濃度を計測する。これにより、細胞が正常に培養できているか否かを検出することができる。

　また、菌の有無は、細胞に菌がいるのか、培地に菌がいるのか、細胞及び培地に菌がいるのか、及び菌がいないのか等の情報である。

　また、本開示においては、一実施形態として図８に示す情報を計測情報Ｄとしたが、本開示の技術はこれに限られず、計測情報Ｄは、図８に示す情報を何れか１つ以上含む情報であればよい。

　なお、一例として図１３に示す初期化工程Ｔ１において、初期化中に計測が行われる場合、計測に用いる方法としては、例えば位相差顕微鏡を使用する方法がある。すなわち、初期化工程Ｔ１においては、血球細胞４１及び皮膚細胞４２に穴をあけ、あけられた穴に薬剤が導入される。この場合、穴が薬剤を入れるために必要な大きさ、形、及び深さにあけられていないと、細胞の初期化が成功しない場合がある。そこで、例えば穴があいた細胞４１及び皮膚細胞４２を位相差顕微鏡により撮像して取得した画像から穴の大きさを計測する。なお、初期化工程Ｔ１において計測に用いた方法としては、位相差顕微鏡に限られず、穴を計測可能な方法であれば何れの方法を用いてもよい。

　また、一例として図１３に示す培養工程Ｔ２において、ｉＰＳ細胞の選別する際に行われる計測に用いる方法としては、例えば位相差顕微鏡を使用する方法がある。位相差顕微鏡を用いてｉＰＳ細胞４３を撮像して撮像画像を取得し、取得した撮像画像におけるｉＰＳ細胞４３の大きさ及び形等を計測し、形が整った、つまり分化誘導可能な形状のｉＰＳ細胞４４である場合には、培養を継続してｉＰＳ細胞４４を拡大培養し、例えば形が整っていない形状である、つまり分化誘導不可能な形状のｉＰＳ細胞４４である場合には、ｉＰＳ細胞４４を除去することにより、細胞の選別が行われる。なお、ｉＰＳ細胞４３を計測に用いる方法は、位相差顕微鏡に限られず、計測者の目視であってもよいし、その他何れの方法であってもよい。

　本開示の一実施形態による培養条件取得部２２は、初期化工程Ｔ１、培養工程Ｔ２、及び分化工程Ｔ３のうちの何れかの工程において、細胞を計測する際の計測に関連する上述した計測情報Ｄに基づいて、計測情報Ｄが取得された時点での培養条件Ｃを更新した更新培養条件Ｅを、新たな培養条件Ｃとして取得する。

　図９は本開示の一実施形態による学習済みモデルＭをさらに説明するための図である。学習済みモデルＭは、図９に示すように、細胞を計測する際の計測に関連する計測情報Ｄ及び培養条件Ｃの情報の組Ｇと、情報の組Ｇに対応する更新培養条件Ｅとの情報セットＲを複数含む学習情報を用いて機械学習される。すなわち、学習済みモデルＭは、計測情報Ｄと計測情報Ｄが取得された時点での培養条件Ｃに基づいて更新培養条件Ｅを出力するように機械学習がなされている。なお、学習済みモデルＭは、例えば患者Ｘの細胞から細胞情報Ｂの細胞を生成する際に、更新培養条件Ｅで培養を行った場合に成功したか否かの結果も合わせて学習済みモデルＭを得るためのモデルに学習させる。これにより、学習済みモデルＭは、新たな計測情報Ｄと新たな計測情報Ｄが取得された時点での培養条件Ｃが入力されると、新たな計測情報Ｄに対して、細胞情報Ｂが示す細胞を生成することができる更新培養条件Ｅを出力するように学習がなされる。

　なお、本開示の一実施形態として、図６に示す学習済みモデルＭと図９に示す学習済みモデルＭとは、同一のモデルとするが、本開示の技術はこれに限らず、図６に示す学習済みモデルＭを第１の学習済みモデルとし、図９に示す学習済みモデルＭを第２の学習済みモデルとする等、異なるモデルで構成してもよい。

　本開示の一実施形態として、学習済みモデルＭにおける機械学習のアルゴリズムは、例えばディープラーニング（深層学習）がなされたニューラルネットワーク（ＮＮ（Neural Network)）を使用することができる。ただし、本開示の技術はこれに限られず、例えばサポートベクタマシン（ＳＶＭ(Support Vector Machine)）、畳み込みニューラルネットワーク（ＣＮＮ(Convolutional Neural Network)）、畳み込みニューラルネットワーク（ＣＮＮ(Convolutional Neural Network)）及びリカレントニューラルネットワーク（ＲＮＮ(Recurrent Neural Network)）等、公知の機械学習のアルゴリズムを適宜使用することができる。

　図１０は本開示の一実施形態による第２の導出部３１を説明するための図である。第２の導出部３１は一例として上述した学習済みモデルＭを有している。これにより、図１０に示すように、経歴情報Ａを有する患者Ｘの細胞から細胞情報Ｂの細胞を生成する場合に、細胞の計測毎に計測された計測情報Ｄとこの計測情報Ｄが取得された時点での培養条件Ｃが入力されると、予め定められた閾値を超えた培養条件が、生成したい細胞に適した更新培養条件Ｅとして出力される。なお、更新培養条件Ｅは、例えば使用する細胞数を更新培養条件Ｅとする場合に、学習済みモデルＭに計測情報Ｄと計測情報Ｄが取得された時点での培養条件Ｃが入力された場合、学習済みモデルＭは使用する細胞数毎に、目標とする品質で、かつ目標とする数の細胞が生成できる確率を出力し、培養条件取得部２２が、目標とする品質で、かつ目標とする数の細胞が生成できる確率が最も高い細胞数を使用する細胞数として、すなわち、生成したい細胞に最も適した更新培養条件Ｅとして取得するようにしてもよい。

　次いで、本開示の一実施形態の細胞生成支援装置１において行われる処理について説明する。図１１は本開示の一実施形態の細胞生成支援装置１において行われる処理を示すフローチャート、図１２は本開示の一実施形態の細胞生成支援装置１において行われる処理を説明するための図である。まず、情報取得部２１は、使用する細胞の経歴を示す経歴情報Ａ及び生成したい細胞の細胞情報Ｂを取得する（ステップＳＴ１）。次いで、培養条件取得部２２は、情報取得部２１で取得した経歴情報Ａ及び細胞情報Ｂを図１２に示すように、学習済みモデルＭに入力して細胞を培養するための培養条件Ｃを取得し、報知部１４は、培養条件取得部２２が取得した培養条件Ｃを報知する。具体的にはディスプレイに培養条件Ｃを表示する（ステップＳＴ２）。

　培養条件取得部２２により取得された培養条件Ｃに基づいて、すなわち図４に示される、使用する細胞の種類、使用する細胞数、使用する容器の種類、使用する培地の種類、使用する添加物の種類、処理のタイミング、及び担当者に関する情報に基づいて、担当者により細胞を生成する作業が開始される。まずは図１３に示すように担当者が患者４０から培養条件Ｃに基づいた細胞を採取し、採取された細胞の初期化工程Ｔ１が開始される。

　次に、培養条件Ｃの計測手段に関する情報Ｄ１に基づいて、細胞の計測が細胞を初期化する初期化工程Ｔ１、細胞を培養する培養工程Ｔ２、及び細胞を分化誘導させる分化工程Ｔ３の各工程の予め定められたタイミング、すなわち細胞検査タイミングで行われる。細胞生成支援装置１において、ＣＰＵ１１は、細胞を初期化する初期化工程Ｔ１、細胞を培養する培養工程Ｔ２、及び細胞を分化誘導させる分化工程Ｔ３の各工程において、予め定められたタイミング、すなわち判断タイミングに基づいて、培養条件取得部２２が細胞を計測する際の計測に関連する新たな計測情報Ｄを取得したか否かを判別する（ステップＳＴ３）。一例として判断タイミングは、細胞検査タイミングに基づいて設定することができ、ある細胞検査タイミングとその次の細胞検査タイミングとの間に判断タイミングを設定することができる。

　ステップＳＴ３において培養条件取得部２２が新たな計測情報Ｄを取得していないと判別した場合（ステップＳＴ３；ＮＯ）には、ＣＰＵ１１は、ステップＳＴ６に処理を移行し、全ての工程が終了したか否かを判別する（ステップＳＴ６）。

　一方、ステップＳＴ３において培養条件取得部２２が新たな計測情報Ｄを取得したと判別した場合（ステップＳＴ３；ＹＥＳ）には、培養条件取得部２２は、図１２に示すように、取得した新たな計測情報Ｄと新たな計測情報Ｄが取得された時点での培養条件Ｃとを学習済みモデルＭに入力することにより学習済みモデルＭから出力された更新培養条件Ｅを新たな培養条件Ｃとして取得する（ステップＳＴ４）。

　次に報知部１４は、培養条件取得部２２が新たに取得した培養条件Ｃを報知する。具体的にはディスプレイに培養条件Ｃを表示する（ステップＳＴ５）。

　以降の工程においては、更新された培養条件Ｃに基づいて、細胞の生成が行われる。次にＣＰＵ１１は、全ての工程が終了したか否かを判別する（ステップＳＴ６）。全ての工程が終了していない場合には（ステップＳＴ６；ＮＯ）、ＣＰＵ１１はステップＳＴ３に処理を移行して、以降の処理を行う。すなわち、更新された培養条件Ｃの細胞検査タイミングに基づいて、培養条件取得部２２が細胞を計測する際の計測に関連する新たな計測情報Ｄを取得したか否かを判別する（ステップＳＴ３）。一方、全ての工程が終了した場合には（ステップＳＴ６；ＹＥＳ）、細胞生成支援装置１は一連の処理を終了する。

　以上のように本開示の一実施形態の細胞生成支援装置１によれば、使用する細胞の経歴を示す経歴情報Ａ及び生成したい細胞の細胞情報Ｂを取得し、取得した経歴情報Ａ及び細胞情報Ｂに基づいて細胞を培養するための培養条件Ｃを取得するので、生成したい細胞を目標とする数だけ生成するための培養条件Ｃを取得できる。さらに本開示の一実施形態の細胞生成支援装置１によれば、細胞を初期化する初期化工程Ｔ１、細胞を培養する培養工程Ｔ２、及び細胞を分化誘導させる分化工程Ｔ３のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報Ｄに基づいて、計測情報Ｄが取得された時点での培養条件Ｃを更新した更新培養条件Ｅを、培養条件Ｃとして取得するので、細胞を計測する毎に生成したい細胞を目標とする数だけ生成するためのより最適な培養条件Ｃを取得することができる。

　このように培養条件Ｃに基づいた細胞検査タイミングでの計測毎に、最適な培養条件Ｃを取得することができるので、細胞を生成する担当者は、最適な培養条件Ｃに基づいて細胞を生成することができ、従来と比較して、生成したい細胞を目標とする数だけ生成できる可能性を向上させることができる。

　なお、上述した実施形態においては、第１の導出部３０及び第２の導出部３１は、学習済みモデルＭを含むものとしたが、本開示の技術はこれに限られない。第１の導出部３０は、経歴情報Ａ及び細胞情報Ｂに基づいて培養条件Ｃを導出することができれば、機械学習を使用しなくても、経歴情報Ａ及び細胞情報Ｂと、培養条件Ｃとの対応テーブル、及び計算式等を使用してもよい。また、第２の導出部３１についても第１の導出部３０と同様に、計測情報Ｄに基づいて更新培養条件Ｅを導出することができれば、対応テーブル、及び計算式等のうちの何れを使用してもよい。

　また、上述した実施形態の培養条件取得部２２は、さらに、計測手段に関する情報Ｄ１に基づいた重み付けを付加して更新した更新培養条件Ｅを、培養条件Ｃとして取得してもよい。例えば、細かい作業が得意な担当者Ａと、細かい作業が苦手な担当者Ｂとでは、同じ処理を行った場合であっても、細胞の生成に与える影響が異なる場合がある。また、計測に用いた方法においても、担当者の目視と、計測装置を用いた計測とでは、細胞の生成に与える影響が異なる場合がある。そのため、更新した更新培養条件Ｅに計測手段に関する情報Ｄ１に基づいた重み付け、すなわち、計測手段に関する情報Ｄ１において、計測結果がより正確になる方に重み付けをより重く付加することにより、培養条件Ｃは、上述した実施形態と比較してより最適な培養条件Ｃを取得することができる。

　また、上述した実施形態の学習済みモデルＭは、新たな計測情報Ｄ及びこの計測情報Ｄを取得した時点で取得された培養条件Ｃから導出される更新培養条件Ｅと、目標とする品質で、かつ目標とする数の細胞が生成できる確率を出力とを出力するように学習がなされるが、これに限定されず、培養条件Ｃのかわりに、経歴情報Ａと細胞情報Ｂを含めた情報から更新培養条件Ｅを導出するようにしてもよい。

　また、上述した実施形態の報知部１４は、培養条件Ｃを表示するようにしたが、これらに加えて、細胞情報Ｂが示す細胞を生成することができる確率、経歴情報Ａ、細胞情報Ｂ、取得した計測情報Ｄ、すなわち計測手段に関する情報Ｄ１や計測で得られた計測結果を示す情報Ｄ２、また計測で得られた計測結果を示す情報Ｄ２の継時的変化等を表示するようにしてもよい。

　なお、上記実施形態で説明した処理はあくまでも一例である。従って、本開示の技術の主旨を逸脱しない範囲内において不要なステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよいことは言うまでもない。

　また、本開示の技術の一実施形態である細胞生成支援装置１は、本開示の技術の主旨を逸脱しない範囲内において適宜設計変更可能である。

　　　１　　細胞作成支援装置

　　　１１　　ＣＰＵ

　　　１２　　メモリ

　　　１３　　ストレージ

　　　１４　　報知部

　　　１５　　入力部

　　　２１　　情報取得部

　　　２２　　培養条件取得部

　　　３０　　第１の導出部

　　　３１　　第２の導出部

　　　４０　　患者

　　　４１　　血球細胞

　　　４２　　皮膚細胞

　　　４３，４４，４５，４６　　ｉＰＳ細胞

　　　４７　　神経細胞

　　　４８　　心筋細胞

　　　４９　　肝臓細胞

　　　Ａ　　経歴情報

　　　Ｂ　　細胞情報

　　　Ｂ１　細胞の種類

　　　Ｂ２　目標細胞数

　　　Ｂ３　細胞の状態

　　　Ｂ４　生成を完了したい日数

　　　Ｃ　　培養条件

　　　Ｄ　　計測情報

　　　Ｄ１　計測手段に関する情報

　　　Ｄ２　計測で得られた計測結果を示す情報

　　　Ｅ　　更新培養条件

　　　Ｍ　　学習済みモデル（第１の学習済みモデル，第２の学習済みモデル）

　　　Ｐ　　情報の組（第１の情報の組）

　　　Ｇ　　情報の組（第２の情報の組）

　　　Ｒ　　情報セット

　　　Ｓ　　情報セット

　　　Ｔ１　初期化工程

　　　Ｔ１　初期工程

　　　Ｔ２　培養工程

　　　Ｔ３　分化工程

　　　Ｘ　　患者

Claims (20)


  1. 　使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得する情報取得部と、

    　前記情報取得部で取得した前記経歴情報及び前記細胞情報に基づいて細胞を培養するための培養条件を取得する培養条件取得部とを含む細胞生成支援装置。

  2. 　前記培養条件取得部は、細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報に基づいて更新した更新培養条件を、前記培養条件として取得する請求項１に記載の細胞生成支援装置。

  3. 　前記培養条件取得部は、前記経歴情報及び前記細胞情報に基づいて前記培養条件を導出する第１の導出部を含む請求項１に記載の細胞生成支援装置。

  4. 　前記第１の導出部は、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を含む第１の情報の組と、前記第１の情報の組に対応する培養条件との情報セットを複数含む学習情報を用いて機械学習された第１の学習済みモデルを含む請求項３に記載の細胞生成支援装置。

  5. 　前記培養条件取得部は、

    　前記情報取得部で取得した前記経歴情報及び前記細胞情報に基づいて前記培養条件を導出する第１の導出部と、前記計測情報に基づいて更新した前記更新培養条件を前記培養条件として導出する第２の導出部とを含む請求項２に記載の細胞生成支援装置。

  6. 　前記第１の導出部は、使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を含む第１の情報の組と、前記第１の情報の組に対応する培養条件との情報セットを複数含む学習情報を用いて機械学習された第１の学習済みモデルを含み、

    　前記第２の導出部は、細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報及び培養条件を含む第２の情報の組と、前記第２の情報の組に対応する更新培養条件との情報セットを複数含む学習情報を用いて機械学習された第２の学習済みモデルを含む請求項５に記載の細胞生成支援装置。

  7. 　前記第１の学習済みモデルと前記第２の学習済みモデルとは１つの学習済みモデルで構成されている請求項６に記載の細胞生成支援装置。

  8. 　前記計測情報は、計測手段に関連する情報及び前記計測手段による計測で得られた計測結果を示す情報の少なくとも一方の情報である請求項２及び請求項５から７の何れか１項に記載の細胞生成支援装置。

  9. 　前記計測手段に関連する情報は、計測に用いた方法及び計測した担当者の何れか一方を示す情報を含み、

    　前記計測結果を示す情報は、計測された細胞の状態、培地の状態、及び菌の有無のうち、何れか１以上の情報を含む請求項８に記載の細胞生成支援装置。

  10. 　前記計測された細胞の状態は、細胞の形状、細胞の色、細胞の数、細胞の大きさ、細胞の匂い、細胞の遺伝子発現、細胞の代謝物の種類、及び細胞のタンパク質のうち、何れか１以上の情報を含む請求項９に記載の細胞生成支援装置。

  11. 　前記培養条件取得部は、前記計測手段に関する情報に基づいた重み付けを付加して更新した更新培養条件を、前記培養条件として取得する請求項８から１０の何れか１項に記載の細胞生成支援装置。

  12. 　前記培養条件を報知する報知部を含む請求項１から１１の何れか１項に記載の細胞生成支援装置。

  13. 　前記培養条件は、使用する細胞の種類、使用する細胞数、使用する容器の種類、使用する培地の種類、使用する添加物の種類、処理のタイミング、及び担当者に関する情報のうち、何れか１以上を含む請求項１から１２の何れか１項に記載の細胞生成支援装置。

  14. 　前記処理のタイミングは、播種のタイミング、継代のタイミング、培地を交換するタイミング、添加物を添加するタイミング、及び細胞を検査するタイミングのうち、何れか１以上のタイミングを含む請求項１３に記載の細胞生成支援装置。

  15. 　前記経歴情報は、使用する細胞の保有者である患者の名前、前記患者の性別、前記患者の血液型、前記患者の人種、前記患者の年齢、前記患者の疾患歴、前記患者の免疫情報、及び前記患者の血縁者の疾患歴のうち、何れか１以上の情報を含む請求項１から１４の何れか１項に記載の細胞生成支援装置。

  16. 　前記細胞情報は、生成したい細胞の種類、生成したい細胞の数、生成したい細胞の状態、及び生成を完了したい日数のうち、何れか１以上の情報を含む請求項１から１５の何れか１項に記載の細胞生成支援装置。

  17. 　使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得し、

    　取得した前記経歴情報及び前記細胞情報に基づいて細胞を培養するための培養条件を取得する細胞生成支援方法。

  18. 　細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関連する計測情報に基づいて更新した更新培養条件を、前記培養条件として取得する請求項１７に記載の細胞生成支援方法。

  19. 　使用する細胞の経歴を示す経歴情報及び生成したい細胞の細胞情報を取得する手順と、

    　取得した前記経歴情報及び前記細胞情報に基づいて細胞を培養するための培養条件を取得する手順とをコンピュータに実行させる細胞生成支援プログラム。

  20. 　細胞を初期化する初期化工程、細胞を培養する培養工程、及び細胞を分化誘導させる分化工程のうちの何れかの工程において、細胞を計測する際の計測に関する計測情報に基づいて更新した更新培養条件を、前記培養条件として取得する手順をさらにコンピュータに実行させる請求項１９に記載の細胞生成支援プログラム。
PCT/JP2019/040361 2019-01-18 2019-10-15 細胞生成支援装置、方法、及びプログラム WO2020148956A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020566106A JP7282809B2 (ja) 2019-01-18 2019-10-15 細胞生成支援装置、方法、及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-007372 2019-01-18
JP2019007372 2019-01-18

Publications (1)

Publication Number Publication Date
WO2020148956A1 true WO2020148956A1 (ja) 2020-07-23

Family

ID=71613602

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/040361 WO2020148956A1 (ja) 2019-01-18 2019-10-15 細胞生成支援装置、方法、及びプログラム

Country Status (2)

Country Link
JP (1) JP7282809B2 (ja)
WO (1) WO2020148956A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024079840A1 (ja) * 2022-10-13 2024-04-18 株式会社日立製作所 培養装置の制御方法、および細胞培養を伴う培養装置の制御方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004013278A (ja) * 2002-06-04 2004-01-15 Olympus Corp 手術日決定支援装置及びその方法並びにプログラム
WO2015076391A1 (ja) * 2013-11-25 2015-05-28 東京エレクトロン株式会社 自動培養システム及び細胞管理システム
JP2015223174A (ja) * 2014-05-30 2015-12-14 富士フイルム株式会社 細胞判定装置および方法並びにプログラム
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
WO2018142702A1 (ja) * 2017-01-31 2018-08-09 株式会社ニコン 培養支援装置、観察装置、及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004013278A (ja) * 2002-06-04 2004-01-15 Olympus Corp 手術日決定支援装置及びその方法並びにプログラム
WO2015076391A1 (ja) * 2013-11-25 2015-05-28 東京エレクトロン株式会社 自動培養システム及び細胞管理システム
JP2015223174A (ja) * 2014-05-30 2015-12-14 富士フイルム株式会社 細胞判定装置および方法並びにプログラム
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
WO2018142702A1 (ja) * 2017-01-31 2018-08-09 株式会社ニコン 培養支援装置、観察装置、及びプログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Safe and high-quality production technology for iPS cells", 31 October 2016, TECHNICAL INFORMATION ASSOCIATION, JP, ISBN: 978-4-86104-629-2, article TAKASUSUKI, KAZUHIRO: "observation and image analysis technology tostreamline the culture and inspection process,Safety and High-Quality Manufacturing Technologyfor iPS Cells)", pages: 320 - 326, XP009522566 *
ATSUSHI MIYAKE, SEIICHI TAGAWA, HIROHIKO NIIOKA: "Expectations for the medical application of deep learning", INNERVISION, vol. 33, no. 7, 25 June 2018 (2018-06-25), pages 24 - 29, XP009522567, ISSN: 0913-8919 *
TERAMURA TAKESHI: "Koich Automated evaluation and laser assisted maintenance of induced pluripotent stem cells", BIO INDUSTRY , vol. 33, no. 2, 12 February 2016 (2016-02-12), pages 26 - 33, XP009522565, ISSN: 0910-6545 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024079840A1 (ja) * 2022-10-13 2024-04-18 株式会社日立製作所 培養装置の制御方法、および細胞培養を伴う培養装置の制御方法

Also Published As

Publication number Publication date
JPWO2020148956A1 (ja) 2021-09-27
JP7282809B2 (ja) 2023-05-29

Similar Documents

Publication Publication Date Title
Chavez-Badiola et al. Embryo Ranking Intelligent Classification Algorithm (ERICA): artificial intelligence clinical assistant predicting embryo ploidy and implantation
Kahl et al. Ultra-low-cost 3D bioprinting: modification and application of an off-the-shelf desktop 3D-printer for biofabrication
Burova et al. Mathematical and computational models for bone tissue engineering in bioreactor systems
Adolfsson et al. Morphology vs morphokinetics: a retrospective comparison of inter-observer and intra-observer agreement between embryologists on blastocysts with known implantation outcome
JP7034354B2 (ja) 生存細胞の画像解析のための解析方法
JP2009044974A (ja) 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
CN114359899B (zh) 细胞共培养模型及细胞模型构建方法、计算机设备及存储介质
Paulus et al. Journal impact factor shapes scientists’ reward signal in the prospect of publication
Jernigan et al. Toward an integrative science of the developing human mind and brain: focus on the developing cortex
JP2022504174A (ja) 無バイアス機械学習を使用して生物活性剤を特定するためのシステムおよび方法
US20210087517A1 (en) Information processing apparatus, derivation method, and derivation program
WO2020148956A1 (ja) 細胞生成支援装置、方法、及びプログラム
Madsen et al. Maturational trajectories of white matter microstructure underlying the right presupplementary motor area reflect individual improvements in motor response cancellation in children and adolescents
JP2020166711A (ja) 計数装置、計数方法、計数プログラムおよび記録媒体
Deckers et al. High-throughput image-based monitoring of cell aggregation and microspheroid formation
WO2020148964A1 (ja) 細胞生成支援装置、方法、及びプログラム
JPH0227977A (ja) 動物細胞の培養装置、培養方法及び活性診断装置
JP2012147713A (ja) シート形成細胞播種システム
Bao et al. Automated detection and growth tracking of 3D bio-printed organoid clusters using optical coherence tomography with deep convolutional neural networks
Shafiei et al. Global network structure and local transcriptomic vulnerability shape atrophy in sporadic and genetic behavioral variant frontotemporal dementia
Chaovalitwongse et al. Network optimization of functional connectivity within default mode network regions to detect cognitive decline
Birry Automated classification in digital images of osteogenic differentiated stem cells
Yu et al. Imaging in cellular and tissue engineering
Hernández-Almaraz et al. Morphometric characteristics of human skeletal muscle cells in primary culture
Jagiella Parameterization of Lattice-Based Tumor Models from Data.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19910828

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020566106

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19910828

Country of ref document: EP

Kind code of ref document: A1