WO2021059577A1 - 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 PDF

Info

Publication number
WO2021059577A1
WO2021059577A1 PCT/JP2020/018808 JP2020018808W WO2021059577A1 WO 2021059577 A1 WO2021059577 A1 WO 2021059577A1 JP 2020018808 W JP2020018808 W JP 2020018808W WO 2021059577 A1 WO2021059577 A1 WO 2021059577A1
Authority
WO
WIPO (PCT)
Prior art keywords
quality
cells
antibody
input information
cell
Prior art date
Application number
PCT/JP2020/018808
Other languages
English (en)
French (fr)
Inventor
直貴 中村
暢之 原口
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 EP20867457.2A priority Critical patent/EP4015616A4/en
Priority to JP2021548321A priority patent/JPWO2021059577A1/ja
Publication of WO2021059577A1 publication Critical patent/WO2021059577A1/ja
Priority to US17/690,389 priority patent/US20220199195A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • 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
    • 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
    • C12M41/48—Automatic or computerized control

Definitions

  • This disclosure relates to an information processing device, an information processing method, and an information processing program.
  • Japanese Unexamined Patent Publication No. 2009-44974 discloses a method for constructing a prediction model for predicting cell quality.
  • the cells of each sample are photographed at two or more time points with different culture times to acquire images, and each acquired image is analyzed to obtain cells.
  • actual measurement data of the prediction target is prepared for each sample, the generated numerical data is used as an input value, and the prepared actual measurement data is used as a teacher value for fuzzy neural network analysis to show a combination of indicators effective for prediction.
  • Perfusion culture is a method for culturing cells used in the production of biopharmacy using antibodies produced from cells.
  • Perfusion culture is a culture method in which a culture medium containing cells is continuously filtered and discharged, while a fresh medium containing nutrients is continuously supplied to a culture tank.
  • Perfusion culture is also referred to as continuous culture.
  • parameters that affect the quality of the antibody such as process conditions in cell culture, medium components, and number of cells, can be changed even during the cell culture process. Therefore, in perfusion culture, it is preferable that the quality of the antibody after a lapse of a predetermined period from that time point can be predicted from the information on the cell culture at a certain time point. Specifically, for example, from the information at a certain time point, if the quality of the antibody after the lapse of a predetermined period is within the permissible range, the perfusion culture is continued as it is, and if it is out of the permissible range, the above parameters are set. Can be adjusted. In this case, perfusion culture can be effectively supported.
  • JP-A-2009-44974 the quality of cells is predicted from images obtained by photographing cells at two different time points using a prediction model. That is, the technique described in Japanese Patent Application Laid-Open No. 2009-44974 predicts the quality of cells from the degree of change in the image of cells at two different time points. Therefore, the technique described in JP-A-2009-44974 cannot predict the quality of the antibody from the information at a certain time point, and therefore cannot effectively support the perfusion culture.
  • This disclosure has been made in view of the above circumstances, and provides an information processing device, an information processing method, and an information processing program that can effectively support perfusion culture.
  • the information processing apparatus of the present disclosure includes an acquisition unit that acquires input information including at least one of a process condition in cell culture, a culture medium component, and the number and diameter of cells, input information, input information, and production from cells. Based on a trained model pre-learned using the quality of the antibody and the quality of the cells, the quality of the antibody and the quality of the cells after a predetermined period of time has elapsed from the time when the acquisition unit acquired the input information. It is equipped with a prediction unit that predicts quality.
  • the information processing apparatus of the present disclosure may further include an output unit that outputs a warning when the antibody quality and cell quality predicted by the prediction unit are out of the permissible range.
  • the output unit may further output at least one of the information included in the input information in which the quality of the antibody and the quality of the cells are within the permissible range.
  • the input of the trained model is acquired at a plurality of time points between the start of cell culture and the elapse of a predetermined period as the period for cell proliferation. It may be the input information of.
  • the information processing method of the present disclosure acquires input information including at least one of a process condition in cell culture, a medium component, and the number and diameter of cells, and is produced from the input information, the input information, and the cells. Predict antibody quality and cell quality after a predetermined period of time from the acquisition of input information, based on a pre-learned model using the quality of the antibody and the quality of the cells.
  • the processing is performed by the computer.
  • the information processing program of the present disclosure acquires input information including at least one of a process condition in cell culture, a medium component, and the number and diameter of cells, and is produced from the input information, the input information, and the cells. Predict antibody quality and cell quality after a predetermined period of time from the acquisition of input information, based on a pre-learned model using the quality of the antibody and the quality of the cells. It is for letting the computer execute the process.
  • perfusion culture can be effectively supported.
  • the configuration of the cell culture apparatus 100 according to the present embodiment will be described with reference to FIG.
  • the cell culture device 100 can be suitably used for cell culture for expressing an antibody in animal cells, for example.
  • the cells used for expressing the antibody are not particularly limited, and examples thereof include animal cells, plant cells, eukaryotic cells such as yeast, prokaryotic cells such as Bacillus subtilis, and Escherichia coli.
  • Animal cells such as CHO cells, BHK-21 cells and SP2 / 0-Ag14 cells are preferable, and CHO cells are more preferable.
  • the antibody to be expressed in animal cells is not particularly limited, and for example, anti-IL-6 receptor antibody, anti-IL-6 antibody, anti-glycican-3 antibody, anti-CD3 antibody, anti-CD20 antibody, anti-GPIIb / IIIa antibody, Examples thereof include anti-TNF antibody, anti-CD25 antibody, anti-EGFR antibody, anti-Her2 / neu antibody, anti-RSV antibody, anti-CD33 antibody, anti-CD52 antibody, anti-IgE antibody, anti-CD11a antibody, anti-VEGF antibody and anti-VLA4 antibody.
  • Antibodies include not only monoclonal antibodies derived from animals such as humans, mice, rats, hamsters, rabbits and monkeys, but also artificially modified antibodies such as chimeric antibodies, humanized antibodies and bispecific antibodies.
  • the obtained antibody or fragment thereof can be purified uniformly.
  • the separation and purification method used for ordinary polypeptides may be used.
  • an antibody can be separated and purified by appropriately selecting and combining a chromatography column such as affinity chromatography, a filter, ultrafiltration, salting out, dialysis, SDS polyacrylamide gel electrophoresis and isoelectric focusing.
  • a chromatography column such as affinity chromatography, a filter, ultrafiltration, salting out, dialysis, SDS polyacrylamide gel electrophoresis and isoelectric focusing.
  • the concentration of the obtained antibody can be measured by measuring the absorbance or by an enzyme-linked immunosorbent assay (ELISA) or the like.
  • the cell culture apparatus 100 includes a culture vessel 10 containing a cell suspension containing cells and a filter membrane for subjecting the cell suspension extracted from the culture vessel 10 to a membrane separation treatment. Includes a filter unit 20 having 24.
  • the cell culture apparatus 100 further has a flow path 32 as a circulation flow path for returning the component blocked by the filter membrane 24 to the culture vessel 10, and a component that has passed through the filter membrane 24 of the cell suspension to the outside of the filter unit 20. Includes a flow path 33 for discharging into.
  • the cell culture apparatus 100 includes a flow path 38 for supplying a fresh medium to the culture vessel 10, and a pump P3 provided in the middle of the flow path 38.
  • the culture container 10 is a container for containing a cell suspension containing cells and a medium used for antibody expression. Inside the culture vessel 10, a stirring device 11 having a stirring blade is provided. By rotating the stirring blade of the stirring device 11, the medium contained together with the cells inside the culture vessel 10 is stirred, and the homogeneity of the medium is maintained.
  • the cell culture apparatus 100 in order to prevent the concentration of cells in the culture vessel 10 from becoming excessively high, a part of the cells in the culture vessel 10 (for example, about 10%) at an appropriate timing within the culture period.
  • the cell bleeding process is performed.
  • the cells in the culture vessel 10 are discharged to the outside of the culture vessel 10 via the flow path 39.
  • One end of the flow path 31 is connected to the bottom of the culture vessel 10, and the other end is connected to the inflow port 20a of the filter unit 20.
  • a pump P1 is provided in the middle of the flow path 31 to extract the cell suspension contained in the culture vessel 10 and send it to the filter unit 20.
  • the filter unit 20 is a filter membrane 24 that divides the container 21 and the space inside the container 21 into a supply side 22 and a permeation side 23, and performs a membrane separation treatment on the cell suspension extracted from the culture vessel 10. , Equipped with. Further, the filter unit 20 has an inflow port 20a into which the cell suspension flows in and an outflow port 20b from which the cell suspension flows out on the supply side 22. The cell suspension extracted from the culture container 10 passes through the filter membrane 24 while flowing into the inside of the container 21 from the inflow port 20a and flowing out from the outflow port 20b to the outside of the container 21.
  • the filter unit 20 sends a permeation component to the permeation side 23 while flowing a liquid to be membrane-separated along the membrane surface of the filter membrane 24 (that is, in a direction parallel to the membrane surface) (cross).
  • Membrane separation processing is performed by the flow) method.
  • the tangential flow method which is a method of membrane separation treatment using the filter membrane 24, forms a flow in which the cell suspension extracted from the culture vessel 10 circulates in one direction in parallel along the membrane surface of the filter membrane 24.
  • the cell suspension may be one that forms a flow in which the cell suspension reciprocates alternately in parallel along the membrane surface of the filter membrane 24.
  • a KrosFlo perfusion culture flow path device (KML-100, KPS-200, KPS-600) manufactured by Spectrum Laboratories can be preferably used. Further, when forming a flow that reciprocates alternately, the ATF system manufactured by REPLIGEN can be preferably used.
  • the relatively large-sized component contained in the cell suspension does not permeate through the filter membrane 24, flows out from the outlet 20b to the outside of the container 21, and is returned to the inside of the culture container 10 via the flow path 32. That is, of the cell suspension extracted from the culture vessel 10, the component blocked by the filter membrane 24 is returned to the inside of the culture vessel 10 via the flow path 32.
  • the relatively small-sized component contained in the cell suspension permeates through the filter membrane 24 and is discharged to the outside of the container 21 from the discharge port 20c provided on the permeation side 23.
  • a flow path 33 provided with a pump P2 is connected to the discharge port 20c of the filter unit 20, and the components discharged to the permeation side 23 are discharged from the discharge port 20c to the outside of the container 21 via the flow path 33. It is discharged.
  • the filter membrane 24 is used for the purpose of separating cells and components unnecessary for cell culture.
  • components unnecessary for cell culture include cell carcasses, cell crushed products, DNA, HCP, antibodies, waste products, and the like. That is, the filter membrane 24 has a separation performance suitable for blocking the permeation of cells while allowing components unnecessary for cell culture to permeate.
  • the components unnecessary for cell culture discharged from the culture vessel 10 as described above are sent to the antibody purification step, which is the next step.
  • the information processing device 40 includes a CPU (Central Processing Unit) 41, a memory 42, a storage unit 43, a display unit 44 such as a liquid crystal display, an input unit 45 such as a keyboard and a mouse, and an external I / F. (InterFace) 46 is included.
  • the CPU 41, the memory 42, the storage unit 43, the display unit 44, the input unit 45, and the external I / F 46 are connected to the bus 47.
  • the measuring unit 48 is connected to the external I / F 46.
  • Examples of the information processing device 40 include a personal computer, a server computer, and the like.
  • the storage unit 43 is realized by an HDD (Hard Disk Drive), an SSD (Solid State Drive), a flash memory, or the like.
  • the learning program 50 and the information processing program 52 are stored in the storage unit 43 as a storage medium.
  • the CPU 41 reads the learning program 50 from the storage unit 43, expands it into the memory 42, and executes the expanded learning program 50. Further, the CPU 41 reads the information processing program 52 from the storage unit 43, expands it into the memory 42, and executes the expanded information processing program 52. Further, the learning data 54 and the learned model 56 are stored in the storage unit 43.
  • the measuring unit 48 includes various measuring devices for measuring the process conditions in cell culture using the cell culture device 100, the medium components, and the number and diameter of cells.
  • process conditions include the rotation speed of the stirring device 11 per unit time (hereinafter referred to as “stirring rotation speed”), the aeration rate per unit volume of the medium contained in the culture vessel 10, and the culture medium 10.
  • the temperature of the medium to be cultivated can be mentioned.
  • the medium components include the amount of nutrient components, the amount of metabolic components, the amount of dissolved gas (for example, the amount of dissolved oxygen) and the like of the medium contained in the culture vessel 10.
  • the learning data 54 is produced from the process conditions in cell culture, which are explanatory variables, the medium components, the number and diameter of cells, and the cells, which are objective variables corresponding to the explanatory variables.
  • It is a data set for learning that includes a plurality of sets of antibody quality and cell quality.
  • the number of cells means the sum of the number of living cells and the number of dead cells.
  • antibody quality include antibody concentration, antibody agglutination amount, antibody degradation product amount, immature sugar chain amount, and the like.
  • cell quality include cell viability and cell viability.
  • the quality of the antibody and the quality of the cells may be one of these index values or a combination of a plurality of these index values. Further, the quality of the antibody and the quality of the cells may be evaluation values obtained by determining one or a plurality of combinations thereof in a plurality of stages (for example, four stages A to D) according to a predetermined determination standard.
  • each data contained in the learning data 54 includes process conditions measured regularly (for example, once a day), medium components, and the number of cells in the past cell culture. And diameter.
  • Each data contained in the learning data 54 further indicates the quality of the antibody after a predetermined period (for example, 2 days) has elapsed from the measurement time of the process conditions, the medium components, and the number and diameter of cells. And cell quality.
  • the predetermined period is not limited to two days, and may be, for example, one day, three or more days, or a period other than one day (for example, 12 hours).
  • the trained model 56 is a model that has been trained in advance using the training data 54.
  • An example of the trained model 56 is a neural network model.
  • the trained model 56 is generated by the information processing device 40 in the learning phase described later.
  • the information processing apparatus 40 includes an acquisition unit 60 and a learning unit 62.
  • the CPU 41 executes the learning program 50, it functions as the acquisition unit 60 and the learning unit 62.
  • the acquisition unit 60 acquires the learning data 54 from the storage unit 43.
  • the learning unit 62 generates the learned model 56 by training the model using the learning data 54 acquired by the acquisition unit 60 as teacher data. Then, the learning unit 62 stores the generated learned model 56 in the storage unit 43.
  • the trained model 56 in which the process conditions, the medium components, the number and diameter of cells are input, and the quality of the antibody and the quality of cells are output is obtained. Generated.
  • an error backpropagation method is used for learning by the learning unit 62.
  • the trained model 56 may be a deep neural network model having a plurality of intermediate layers.
  • step S10 of FIG. 7 the acquisition unit 60 acquires the learning data 54 from the storage unit 43.
  • step S12 as described above, the learning unit 62 generates the trained model 56 by training the model using the learning data 54 acquired in step S10 as the teacher data. Then, the learning unit 62 stores the generated learned model 56 in the storage unit 43.
  • step S12 ends, the learning process ends.
  • the information processing apparatus 40 includes an acquisition unit 70, a prediction unit 72, a determination unit 74, a derivation unit 76, and an output unit 78.
  • the CPU 41 executes the information processing program 52, it functions as an acquisition unit 70, a prediction unit 72, a determination unit 74, a derivation unit 76, and an output unit 78.
  • the acquisition unit 70 includes the process conditions in cell culture using the cell culture device 100, the medium components, and the medium components measured by the measurement unit 48 at a predetermined periodic timing (for example, once a day). Obtain the number and diameter of cells.
  • This process condition, the medium component, and the number and diameter of cells are examples of input information input to the trained model 56.
  • the prediction unit 72 has elapsed a predetermined period (for example, 2 days) from the time when the acquisition unit 70 acquires the input information based on the input information acquired by the acquisition unit 70 and the trained model 56. Predict later antibody quality and cell quality. Specifically, the prediction unit 72 inputs the input information acquired by the acquisition unit 70 into the trained model 56. As described above, the trained model 56 inputs the process conditions, the medium components, the number and diameter of cells, and outputs the quality of the antibody and the quality of the cells after a predetermined period of time has elapsed. It is a learned model.
  • a predetermined period for example, 2 days
  • the output from the trained model 56 becomes a predicted value of the antibody quality and the cell quality after a predetermined period has elapsed from the time when the input information is acquired by the acquisition unit 70.
  • the prediction unit 72 predicts the quality of the antibody and the quality of the cells after a predetermined period of time has elapsed from the time when the input information is acquired by the acquisition unit 70.
  • the determination unit 74 determines whether the antibody quality and cell quality predicted by the prediction unit 72 are within the permissible range or out of the permissible range.
  • This permissible range is experimentally determined in advance according to, for example, the cell type and the index value used as the quality of the antibody. For example, when the amount of antibody aggregates is used as the quality of the antibody, the determination unit 74 determines that the quality of the antibody is out of the permissible range when the amount of antibody aggregates is equal to or greater than the threshold value, and the amount of antibody aggregates is high. If it is below the threshold, it is determined that the quality of the antibody is within the permissible range.
  • the derivation unit 76 is one of the information included in the input information in which the antibody quality and the cell quality are within the permissible range. Derivation of two pieces of information. Specifically, the derivation unit 76 derives the contribution of each explanatory variable (that is, each input) of the trained model 56 to the objective variable (that is, the output), and selects the explanatory variable having the highest contribution as an antibody. It is derived as one piece of information in which the quality of the cell and the quality of the cell are within the permissible range.
  • the derivation process of the degree of contribution by the derivation unit 76 will be specifically described.
  • the input layer of the trained model 56 has three nodes, node 1 to node 3, the intermediate layer has two nodes, node A and node B, and the output layer.
  • the output layer Explains an example in which has one node O.
  • the derivation unit 76 derives the inner product of the weights as the contribution degree for each input node.
  • the derivation unit 76 derives the contribution of the node 1 according to the following equation (1).
  • W 1A in the equation (1) is a weight from node 1 to node A
  • WAO is a weight from node A to node O.
  • W 1B in the equation (1) is a weight from node 1 to node B
  • W BO is a weight from node B to node O. It is possible to derive the contribution degree for the node 2 and the node 3 in the same manner.
  • Contribution of node 1 W 1A x W AO + W 1B x W BO ... (1)
  • the derivation unit 76 also derives change information indicating how the derived explanatory variable having the highest contribution is changed according to the sign of the contribution.
  • the explanatory variable having the highest contribution is the stirring rotation speed of the stirring device 11 included in the process conditions and the quality of the antibody is the amount of antibody aggregates.
  • the derivation unit 76 derives the information indicating that the stirring rotation speed is reduced as the above change information.
  • the sign of the contribution degree is a negative sign
  • the derivation unit 76 derives the information indicating that the stirring rotation speed is increased as the above change information.
  • the derivation unit 76 derives, for example, a plurality of explanatory variables in descending order of contribution, instead of one explanatory variable having the highest contribution, as information that the antibody quality and cell quality are within the permissible range.
  • one or more explanatory variables whose contribution is equal to or greater than the threshold value may be derived.
  • the output unit 78 outputs a warning to the display unit 44 when the determination unit 74 determines that the quality of the antibody and the quality of the cells are out of the permissible range. Further, in this case, the output unit 78 further outputs the information derived by the out-licensing unit 76 to the display unit 44. With these outputs, the warning screen shown in FIG. 10 is displayed on the display unit 44 as an example. As shown in FIG. 10, on the warning screen according to the present embodiment, a warning message indicating that the quality of the antibody and the quality of the cells are out of the permissible range is displayed after a lapse of a predetermined period. Further, on the warning screen according to the present embodiment, explanatory variables in which the quality of the antibody and the quality of the cells are within the permissible range, and change information indicating how to change the explanatory variables are also displayed.
  • the output unit 78 When the explanatory variable derived by the derivation unit 76 is a parameter that can be controlled by the information processing device 40, the output unit 78 outputs the change information derived by the derivation unit 76 to the control target. May be changed. Specifically, for example, when the derivation unit 76 derives information indicating that the stirring rotation speed is reduced as change information, the output unit 78 outputs the change information to the motor that controls the stirring rotation speed. As a result, the stirring rotation speed is reduced by a predetermined rotation speed.
  • the operation of the information processing apparatus 40 according to the present embodiment in the operation phase will be described.
  • the CPU 41 executes the information processing program 52
  • the quality prediction process shown in FIG. 11 is executed.
  • the quality prediction process shown in FIG. 11 is executed at a regular timing such as once a day after the start of perfusion culture.
  • step S20 of FIG. 11 the acquisition unit 70 acquires the input information measured by the measurement unit 48.
  • step S22 as described above, the prediction unit 72 inputs the input information acquired in step S20 into the trained model 56 to obtain a predetermined period from the time when the acquisition unit 70 acquires the input information. Predict antibody quality and cell quality after lapse.
  • step S24 the determination unit 74 determines whether or not the antibody quality and cell quality predicted in step S22 are out of the permissible range. If this determination is affirmative, the process proceeds to step S26.
  • step S26 the derivation unit 76 derives the explanatory variable having the highest contribution as the information included in the input information in which the quality of the antibody and the quality of the cells are within the permissible range. Further, as described above, the derivation unit 76 also derives change information indicating how the derived explanatory variable having the highest contribution is changed according to the sign of the contribution.
  • the trained model 56 may be retrained according to the number of batches. In this case, the weights between the nodes of the trained model 56 are also updated. Therefore, in the present embodiment, the process of step S26 is executed every time the quality prediction process is executed.
  • step S28 the output unit 78 outputs the warning to the display unit 44 and outputs the information derived in step S26 to the display unit 44 as described above.
  • the warning screen shown in FIG. 10 is displayed on the display unit 44 as an example.
  • the user confirms the warning screen displayed on the display unit 44 by the process of step S28, and adjusts the parameters such as the process conditions and the medium components that affect the quality of the antibody and the quality of the cells.
  • the process of step S28 is completed, the quality prediction process is completed. Also, when the determination in step S24 is a negative determination, the quality prediction process ends.
  • the quality of the antibody and the quality of the cells are predicted after a predetermined period has elapsed from the time when the acquisition unit 70 acquired the input information. Therefore, the user can grasp the quality of the antibody and the quality of the cells after the lapse of a predetermined period, and can adjust the parameters that affect the quality of the antibody and the quality of the cells in the perfusion culture. Therefore, perfusion culture can be effectively supported.
  • the optimum culture conditions are determined by a small-scale test in which perfusion culture is performed under various process conditions and culture conditions such as medium components on a relatively small scale.
  • the quality of the antibody and cells is confirmed by a medium-volume trial in which perfusion culture is performed under the culture conditions determined by the small-scale test on a relatively medium scale.
  • the antibody is produced by perfusion culture on a relatively large scale.
  • the small amount test is performed for 30 days, for example. In order to effectively support the perfusion culture, it is preferable that the period of this small amount test can be shortened.
  • the quality of the antibody improves with the passage of time.
  • the quality of the antibody may be stable or decreased depending on the process conditions in the perfusion culture and the culture conditions such as the medium components (the conditions shown by the solid line in the example of FIG. 13) (FIG. In the example of 13, the conditions indicated by the one-dot chain line and the two-dot chain line) are applied. That is, the final quality of the antibody, such as after 30 days from the start of perfusion culture, varies depending on the conditions. Therefore, in the information processing apparatus 40 according to the present embodiment, the period of the small amount test is shortened by predicting the final antibody quality and the cell quality from the measurement data at a plurality of time points in the cell growth phase.
  • the learning data 54 is produced from the process conditions in cell culture, which are explanatory variables, the medium components, the number and diameter of cells, and the cells, which are objective variables corresponding to the explanatory variables. It is a data set for learning that includes a plurality of sets of antibody quality and cell quality.
  • a plurality of time points that is, within the cell growth period
  • a predetermined period n as the period for cell growth (that is, within the cell growth period).
  • the learning data 54 includes the process conditions (every day in the example of FIG. 15), the medium components, and the number and diameter of cells. Further, in the present embodiment, the process conditions, the medium components, and the number and diameter of cells, which are associated with the process conditions, the medium components, and the number and diameter of cells acquired at a plurality of time points, are finally set.
  • the learning data 54 also includes the quality of the antibody and the quality of the cells after a predetermined period m has elapsed since the acquisition.
  • n in FIGS. 14 and 15 is 10 and m is 20.
  • n and m are not limited to this example, and for example, n is 5 and m is 9, that is, the process conditions at a plurality of time points for 5 days after the start of cell culture, the medium components, and the cells.
  • the number and diameter may be associated with the quality of the antibody and the quality of the cells 14 days after the start of cell culture.
  • the information processing apparatus 40 includes an acquisition unit 80 and a learning unit 82.
  • the CPU 41 executes the learning program 50, it functions as the acquisition unit 80 and the learning unit 82.
  • the acquisition unit 80 acquires the learning data 54 from the storage unit 43.
  • the learning unit 82 generates the learned model 56 by training the model using the learning data 54 acquired by the acquisition unit 80 as teacher data. Then, the learning unit 82 stores the generated learned model 56 in the storage unit 43.
  • Model 56 is generated.
  • the trained model 56 may be a deep neural network model having a plurality of intermediate layers. Further, as the trained model 56, a model other than the neural network may be applied.
  • step S40 the acquisition unit 80 acquires the learning data 54 from the storage unit 43.
  • step S42 as described above, the learning unit 82 generates the trained model 56 by training the model using the learning data 54 acquired in step S40 as the teacher data. Then, the learning unit 82 stores the generated learned model 56 in the storage unit 43.
  • step S42 ends, the learning process ends.
  • the information processing apparatus 40 includes an acquisition unit 90, a prediction unit 92, and an output unit 94.
  • the CPU 41 executes the information processing program 52, it functions as an acquisition unit 90, a prediction unit 92, and an output unit 94.
  • the acquisition unit 90 used the cell culture device 100 measured by the measurement unit 48 at a plurality of time points from the start of cell culture to the elapse of a predetermined period n as the period for cell growth. Obtain a plurality of sets of process conditions in cell culture, medium components, and the number and diameter of cells. This process condition, the medium component, and the number and diameter of cells are examples of input information input to the trained model 56.
  • the prediction unit 92 has a predetermined period from the time when the acquisition unit 90 last acquires the input information based on the plurality of sets of input information acquired by the acquisition unit 90 at a plurality of time points and the trained model 56. Predict antibody quality and cell quality after m. Specifically, the prediction unit 92 inputs a plurality of sets of input information acquired by the acquisition unit 90 into the trained model 56. As described above, the trained model 56 uses a plurality of sets of process conditions, medium components, and the number and diameter of cells as inputs, and the quality of the antibody and the quality of the cells after a predetermined period m has elapsed. It is a model learned with quality as output.
  • the output from the trained model 56 becomes a predicted value of the antibody quality and the cell quality after a predetermined period m has elapsed from the time when the acquisition unit 90 last acquired the input information.
  • the prediction unit 92 predicts the quality of the antibody and the quality of the cells after a predetermined period m has elapsed from the time when the acquisition unit 90 last acquired the input information.
  • the output unit 94 displays the antibody quality and cell quality predicted by the prediction unit 92 by outputting them to the display unit 44. This allows the user to know the final antibody quality and cell quality at the end of the cell growth phase. Therefore, the user can perform a medium-dose trial by selecting the condition that is expected to have the highest antibody quality and cell quality among various conditions in the low-dose test at an early stage.
  • the operation of the information processing apparatus 40 according to the present embodiment in the operation phase will be described.
  • the CPU 41 executes the information processing program 52
  • the quality prediction process shown in FIG. 20 is executed.
  • the quality prediction process shown in FIG. 20 is performed at the start of perfusion culture.
  • step S50 of FIG. 20 the acquisition unit 90 acquires the input information measured by the measurement unit 48.
  • step S52 the acquisition unit 90 determines whether or not a predetermined period n has elapsed as a period for cell proliferation after the quality prediction process is started (that is, after the cell culture is started). If this determination is a negative determination, the process returns to step S50, and if the determination is affirmative, the process proceeds to step S54. Therefore, by repeatedly executing step S50 periodically until a predetermined period n elapses as the period for cell proliferation, the acquisition unit 90 acquires a plurality of sets of input information at a plurality of time points. To.
  • step S54 the prediction unit 92 finally obtains the input information based on the plurality of sets of input information acquired in step S50 and the trained model 56 at a plurality of time points.
  • the quality of the antibody and the quality of the cells are predicted after a predetermined period m has elapsed from the time of acquisition.
  • step S56 the output unit 94 displays the antibody quality and cell quality predicted in step S54 by outputting to the display unit 44.
  • the quality prediction process is completed.
  • the information processing apparatus 40 uses the trained model according to the first embodiment in the period after the cell proliferation phase (for example, the stable phase of FIG. 13) as in the first embodiment. 56 may be used to monitor or adjust parameters for antibody quality and cell quality within acceptable limits.
  • the various processors include CPUs, which are general-purpose processors that execute software (programs) and function as various processing units, as well as circuits after manufacturing FPGAs (Field Programmable Gate Arrays) and the like.
  • Dedicated electricity which is a processor with a circuit configuration specially designed to execute specific processing such as programmable logic device (PLD), ASIC (Application Specific Integrated Circuit), which is a processor whose configuration can be changed. Circuits and the like are included.
  • One processing unit may be composed of one of these various processors, or a combination of two or more processors of the same type or different types (for example, a combination of a plurality of FPGAs or a combination of a CPU and an FPGA). It may be composed of a combination). Further, a plurality of processing units may be configured by one processor.
  • one processor is configured by a combination of one or more CPUs and software, as represented by a computer such as a client and a server.
  • the processor functions as a plurality of processing units.
  • SoC System On Chip
  • the various processing units are configured by using one or more of the above-mentioned various processors as a hardware structure.
  • an electric circuit in which circuit elements such as semiconductor elements are combined can be used.
  • the mode in which the learning program 50 and the information processing program 52 are stored (installed) in the storage unit 43 in advance has been described, but the present invention is not limited to this.
  • the learning program 50 and the information processing program 52 are recorded on a recording medium such as a CD-ROM (Compact Disc Read Only Memory), a DVD-ROM (Digital Versatile Disc Read Only Memory), and a USB (Universal Serial Bus) memory. May be provided at. Further, the learning program 50 and the information processing program 52 may be downloaded from an external device via a network.
  • the processor With a memory built in or connected to the processor, The processor Obtain input information including at least one of process conditions in cell culture, medium components, and number and diameter of cells. Based on the input information and a learned model pre-learned using the input information, the quality of the antibody produced from the cell, and the quality of the cell, the input information is predetermined from the time when the input information is acquired. An information processing device that predicts the quality of the antibody and the quality of the cells after the lapse of a period.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biotechnology (AREA)
  • Data Mining & Analysis (AREA)
  • Organic Chemistry (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Sustainable Development (AREA)
  • Microbiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

情報処理装置は、細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得し、入力情報と、入力情報、細胞から産生される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に基づいて、入力情報を取得した時点から予め定められた期間を経過した後の抗体の品質及び細胞の品質を予測する。

Description

情報処理装置、情報処理方法、及び情報処理プログラム
　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。
　灌流培養では、細胞培養工程の途中でも細胞培養におけるプロセス条件、培地成分、及び細胞の数等の抗体の品質に影響を与えるパラメータを変えることができる。従って、灌流培養では、ある１つの時点の細胞培養に関する情報から、その時点から所定期間を経過した後の抗体の品質を予測することができることが好ましい。具体的には、例えば、ある１つの時点の情報から、所定期間を経過した後の抗体の品質が許容範囲内であれば、そのまま灌流培養を継続し、許容範囲外であれば、上記パラメータを調整することができる。この場合、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では、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、細胞の品質を予測している。すなわち、特開２００９－４４９７４号公報に記載の技術は、２つの異なる時点での細胞の画像の変化度合いから細胞の品質を予測するものである。従って、特開２００９－４４９７４号公報に記載の技術では、ある１つの時点の情報から抗体の品質を予測することはできないため、灌流培養を効果的に支援することができない。
　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、細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得する取得部と、入力情報と、入力情報、細胞から産生される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に基づいて、入力情報を取得部が取得した時点から予め定められた期間を経過した後の抗体の品質及び細胞の品質を予測する予測部と、を備える。
　なお、本開示の情報処理装置は、予測部により予測された抗体の品質及び細胞の品質が許容範囲外である場合、警告を出力する出力部を更に備えてもよい。
　また、本開示の情報処理装置は、出力部が、更に、抗体の品質及び細胞の品質が許容範囲内となる入力情報に含まれる情報の少なくとも１つを出力してもよい。
　また、本開示の情報処理装置は、学習済みモデルの入力が、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が経過するまでの間の複数の時点で取得された複数の入力情報であってもよい。
　また、本開示の情報処理方法は、細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得し、入力情報と、入力情報、細胞から産生される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に基づいて、入力情報を取得した時点から予め定められた期間を経過した後の抗体の品質及び細胞の品質を予測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、細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得し、入力情報と、入力情報、細胞から産生される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に基づいて、入力情報を取得した時点から予め定められた期間を経過した後の抗体の品質及び細胞の品質を予測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。
各実施形態に係る細胞培養装置の構成の一例を示す図である。 各実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。 第１実施形態に係る学習用データの一例を示す図である。 第１実施形態に係る学習用データを説明するための図である。 第１実施形態に係る情報処理装置の学習フェーズにおける機能的な構成の一例を示すブロック図である。 第１実施形態に係る学習済みモデルの一例を示す図である。 第１実施形態に係る学習処理の一例を示すフローチャートである。 第１実施形態に係る情報処理装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第１実施形態に係る学習済みモデルの入力の寄与度を説明するための図である。 第１実施形態に係る警告画面の一例を示す図である。 第１実施形態に係る品質予測処理の一例を示すフローチャートである。 抗体医薬品の開発の流れを説明するための図である。 抗体品質の時系列の推移の一例を示すグラフである。 第２実施形態に係る学習用データの一例を示す図である。 第２実施形態に係る学習用データを説明するための図である。 第２実施形態に係る情報処理装置の学習フェーズにおける機能的な構成の一例を示すブロック図である。 第２実施形態に係る学習済みモデルの一例を示す図である。 第２実施形態に係る学習処理の一例を示すフローチャートである。 第２実施形態に係る情報処理装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。 第２実施形態に係る品質予測処理の一例を示すフローチャートである。
　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。
　［第１実施形態］
　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。
　次に、図２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２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、学習用データ５４及び学習済みモデル５６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プロセス条件と、培地成分と、細胞の数及び径と、を測定する各種の測定装置を含む。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。また、培地成分の例としては、培養容器１０に収容される培地の栄養成分量、代謝成分量、及び溶存気体量（例えば、溶存酸素量）等が挙げられる。
　図３及び図４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３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プロセス条件と、培地成分と、細胞の数及び径と、並びに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と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。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。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４に示すように、学習用データ５４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）に測定されたプロセス条件と、培地成分と、細胞の数及び径とを含む。学習用データ５４に含まれる各データは、更に、プロセス条件と、培地成分と、細胞の数及び径との測定時点から予め定められた期間（例えば、２日間）を経過した後の抗体の品質及び細胞の品質を含む。なお、この予め定められた期間は、２日間に限定されず、例えば、１日間でもよいし、３日以上の期間でもよいし、１日単位ではない期間（例えば、１２時間）でもよい。
　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る。学習済みモデル５６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５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５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６に示すように、学習部６２による学習によって、プロセス条件と、培地成分と、細胞の数及び径とを入力とし、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。
　次に、図７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７に示す学習処理が実行される。
　図７のステップＳ１０で、取得部６０は、学習用データ５４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。ステップＳ１２が終了すると、学習処理が終了する。
　次に、図８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８に示すように、情報処理装置４０は、取得部７０、予測部７２、判定部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、判定部７４、導出部７６、及び出力部７８として機能する。
　取得部７０は、予め定められた定期的なタイミング（例えば、１日に１回）に、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プロセス条件と、培地成分と、細胞の数及び径と、を取得する。このプロセス条件と、培地成分と、細胞の数及び径と、が学習済みモデル５６に入力される入力情報の一例である。
　予測部７２は、取得部７０により取得された入力情報と、学習済みモデル５６とに基づいて、入力情報を取得部７０が取得した時点から予め定められた期間（例えば、２日間）を経過した後の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により取得された入力情報を学習済みモデル５６に入力する。学習済みモデル５６は、前述したように、プロセス条件と、培地成分と、細胞の数及び径と、を入力とし、予め定められた期間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、入力情報を取得部７０が取得した時点から予め定められた期間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、入力情報を取得部７０が取得した時点から予め定められた期間を経過した後の抗体の品質及び細胞の品質が予測される。
　判定部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が許容範囲内であるか、又は許容範囲外であるかを判定する。この許容範囲は、例えば、細胞の種類及び抗体の品質として用いる指標値等に応じて予め実験的に定められる。例えば、抗体の品質として、抗体の凝集物量を用いた場合、判定部７４は、抗体の凝集物量が閾値以上である場合、抗体の品質が許容範囲外であると判定し、抗体の凝集物量が閾値未満である場合、抗体の品質が許容範囲内であると判定する。
　導出部７６は、判定部７４により抗体の品質及び細胞の品質が許容範囲外であると判定された場合、抗体の品質及び細胞の品質が許容範囲内となる入力情報に含まれる情報のうち１つの情報を導出する。具体的には、導出部７６は、学習済みモデル５６の各説明変数（すなわち、各入力）の目的変数（すなわち、出力）への寄与度を導出し、寄与度が最も高い説明変数を、抗体の品質及び細胞の品質が許容範囲内となる１つの情報として導出する。
　図９を参照して、導出部７６による寄与度の導出処理を具体的に説明する。ここでは、説明を分かりやすくするために、学習済みモデル５６の入力層がノード１～ノード３の３つのノードを有し、中間層がノードＡ及びノードＢの２つのノードを有し、出力層が１つのノードＯを有する例を説明する。
　導出部７６は、各入力のノードについて、重みの内積を寄与度として導出する。図９の例では、導出部７６は、ノード１の寄与度を以下の（１）式に従って導出する。（１）式におけるＷ１Ａはノード１からノードＡへの重みであり、ＷＡＯはノードＡからノードＯへの重みである。また、（１）式におけるＷ１Ｂはノード１からノードＢへの重みであり、ＷＢＯはノードＢからノードＯへの重みである。ノード２及びノード３についても同様に寄与度を導出することが可能である。
　ノード１の寄与度＝Ｗ１Ａ×ＷＡＯ＋Ｗ１Ｂ×ＷＢＯ・・・（１）
　また、導出部７６は、更に、導出した寄与度が最も高い説明変数について、寄与度の符号の正負に応じてどのように変更するかを表す変更情報も導出する。具体的な一例として、寄与度が最も高い説明変数がプロセス条件に含まれる撹拌装置１１の撹拌回転数であり、抗体の品質が抗体の凝集物量である場合を説明する。この場合、導出部７６は、寄与度の符号が正の符号である場合、上記変更情報として、撹拌回転数を減らすことを表す情報を導出する。一方、導出部７６は、寄与度の符号が負の符号である場合、上記変更情報として、撹拌回転数を増やすことを表す情報を導出する。
　なお、導出部７６は、抗体の品質及び細胞の品質が許容範囲内となる情報として、最も寄与度が高い１つの説明変数ではなく、例えば、寄与度が高い順に複数の説明変数を導出してもよいし、寄与度が閾値以上の１つ又は複数の説明変数を導出してもよい。
　出力部７８は、判定部７４により抗体の品質及び細胞の品質が許容範囲外であると判定された場合、警告を表示部４４に出力する。また、この場合、更に、出力部７８は、導出部７６により導出された情報を表示部４４に出力する。これらの出力により、一例として図１０に示す警告画面が表示部４４に表示される。図１０に示すように、本実施形態に係る警告画面では、予め定められた期間を経過した後に、抗体の品質及び細胞の品質が許容範囲外となる旨を示す警告メッセージが表示される。更に、本実施形態に係る警告画面では、抗体の品質と細胞の品質とが許容範囲内となる説明変数、及び説明変数をどのように変更するかを表す変更情報も表示される。
　なお、出力部７８は、導出部７６により導出された説明変数が、情報処理装置４０により制御可能なパラメータである場合は、導出部７６により導出された変更情報を制御対象に出力することによってパラメータを変更してもよい。具体的には、例えば、導出部７６により変更情報として、撹拌回転数を減らすことを表す情報が導出された場合、出力部７８は、撹拌回転数を制御するモータにその変更情報を出力する。これにより、予め定められた回転数だけ撹拌回転数が減らされる。
　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１１に示す品質予測処理が実行される。図１１に示す品質予測処理は、灌流培養を開始した後に、１日に１回等の定期的なタイミングに実行される。
　図１１のステップＳ２０で、取得部７０は、測定部４８により測定された入力情報を取得する。ステップＳ２２で、予測部７２は、前述したように、ステップＳ２０で取得された入力情報を学習済みモデル５６に入力することによって、入力情報を取得部７０が取得した時点から予め定められた期間を経過した後の抗体の品質及び細胞の品質を予測する。
　ステップＳ２４で、判定部７４は、ステップＳ２２で予測された抗体の品質及び細胞の品質が許容範囲外であるか否かを判定する。この判定が肯定判定となった場合は、処理はステップＳ２６に移行する。ステップＳ２６で、導出部７６は、前述したように、抗体の品質及び細胞の品質が許容範囲内となる入力情報に含まれる情報として、寄与度が最も高い説明変数を導出する。更に、導出部７６は、前述したように、導出した寄与度が最も高い説明変数について、寄与度の符号の正負に応じてどのように変更するかを表す変更情報も導出する。学習済みモデル５６は、バッチ数に応じて再学習されることもある。この場合、学習済みモデル５６のノード間の重みも更新される。このため、本実施形態では、品質予測処理が実行される毎にステップＳ２６の処理を実行している。
　ステップＳ２８で、出力部７８は、前述したように、警告を表示部４４に出力し、かつステップＳ２６で導出された情報を表示部４４に出力する。ステップＳ２８の処理により一例として図１０に示す警告画面が表示部４４に表示される。ユーザは、ステップＳ２８の処理により表示部４４に表示された警告画面を確認し、プロセス条件及び培地成分等の抗体の品質及び細胞の品質に影響を与えるパラメータを調整する。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。また、ステップＳ２４の判定が否定判定となった場合も、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、取得部７０が入力情報を取得した時点から予め定められた期間を経過した後の抗体の品質及び細胞の品質を予測している。このため、ユーザは、予め定められた期間を経過した後の抗体の品質及び細胞の品質を把握し、灌流培養における抗体の品質及び細胞の品質に影響を与えるパラメータを調整することができる。従って、灌流培養を効果的に支援することができる。
　［第２実施形態］
　開示の技術の第２実施形態を説明する。なお、本実施形態に係る細胞培養装置１００の構成は、第１実施形態と同一であるため、説明を省略する。本実施形態に係る情報処理装置４０のハードウェア構成は、記憶部４３に記憶される学習用データ５４及び学習済みモデル５６以外は第１実施形態と同一であるため、本実施形態では、学習用データ５４及び学習済みモデル５６について説明する。
　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１２に示すように、比較的小規模で、種々のプロセス条件及び培地成分等の培養条件で灌流培養を行う少量テストで、最適な培養条件を決定する。次に、比較的中規模で、少量テストで決定した培養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、比較的大規模で灌流培養を行うことによって抗体を生産する。
　少量テストは、例えば、３０日間行われる。灌流培養を効果的に支援するうえで、この少量テストの期間を短縮することができることが好ましい。
　一例として図１３に示すように、灌流培養を開始してから１０日間等の細胞増殖期には、時間の経過とともに、抗体の品質も良くなっていく。しかしながら、細胞増殖期の後の安定期は、抗体の品質は、灌流培養におけるプロセス条件及び培地成分等の培養条件によって安定したり（図１３の例では実線で示す条件）、低下したり（図１３の例では一点鎖線及び二点鎖線で示す条件）する。すなわち、灌流培養を開始してから３０日を経過した後等の最終的な抗体の品質は、条件によって変わる。そこで、本実施形態に係る情報処理装置４０では、細胞増殖期内の複数の時点の測定データから、最終的な抗体の品質及び細胞の品質を予測することによって、少量テストの期間を短縮する。
　図１４及び図１５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１４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プロセス条件と、培地成分と、細胞の数及び径と、並びに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と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。
　図１５に示すように、本実施形態では、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が経過するまでの間（すなわち、細胞増殖期内）の複数の時点（図１５の例では１日毎）で取得されたプロセス条件と、培地成分と、細胞の数及び径と、が学習用データ５４に含まれる。更に、本実施形態では、複数の時点に取得されたプロセス条件と、培地成分と、細胞の数及び径とに対応付けられた、プロセス条件と、培地成分と、細胞の数及び径を最後に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、細胞増殖期が１０日間である場合は、図１４及び図１５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日間の複数の時点のプロセス条件と、培地成分と、細胞の数及び径とに、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。
　次に、図１６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機能的な構成について説明する。図１６に示すように、情報処理装置４０は、取得部８０及び学習部８２を含む。ＣＰＵ４１が学習プログラム５０を実行することで、取得部８０及び学習部８２として機能する。
　取得部８０は、学習用データ５４を記憶部４３から取得する。学習部８２は、取得部８０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８２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１７に示すように、学習部８２による学習によって、複数組のプロセス条件と、培地成分と、細胞の数及び径とを入力とし、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８２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。
　次に、図１８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１８に示す学習処理が実行される。
　ステップＳ４０で、取得部８０は、学習用データ５４を記憶部４３から取得する。ステップＳ４２で、学習部８２は、前述したように、ステップＳ４０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８２は、生成した学習済みモデル５６を記憶部４３に記憶する。ステップＳ４２が終了すると、学習処理が終了する。
　次に、図１９を参照して、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１９に示すように、情報処理装置４０は、取得部９０、予測部９２、及び出力部９４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９０、予測部９２、及び出力部９４として機能する。
　取得部９０は、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が経過するまでの間の複数の時点で測定部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複数組のプロセス条件と、培地成分と、細胞の数及び径と、を取得する。このプロセス条件と、培地成分と、細胞の数及び径と、が学習済みモデル５６に入力される入力情報の一例である。
　予測部９２は、複数の時点で取得部９０により取得された複数組の入力情報と、学習済みモデル５６とに基づいて、入力情報を取得部９０が最後に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を予測する。具体的には、予測部９２は、取得部９０により取得された複数組の入力情報を学習済みモデル５６に入力する。学習済みモデル５６は、前述したように、複数組のプロセス条件と、培地成分と、細胞の数及び径と、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、入力情報を取得部９０が最後に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９２によって、入力情報を取得部９０が最後に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が予測される。
　出力部９４は、予測部９２により予測された抗体の品質及び細胞の品質を表示部４４に出力することによって表示する。これにより、ユーザは、細胞増殖期の終了時点に、最終的な抗体の品質及び細胞の品質を把握することができる。従って、ユーザは、少量テストにおける種々の条件のうち、最も抗体の品質及び細胞の品質が高くなると予測される条件を早期に選択して中量試作を行うことができる。
　次に、図２０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２０に示す品質予測処理が実行される。図２０に示す品質予測処理は、灌流培養の開始時に実行される。
　図２０のステップＳ５０で、取得部９０は、測定部４８により測定された入力情報を取得する。ステップＳ５２で、取得部９０は、品質予測処理を開始してから（すなわち、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が経過したか否かを判定する。この判定が否定判定となった場合は、処理はステップＳ５０に戻り、肯定判定となった場合は、処理はステップＳ５４に移行する。従って、細胞が増殖する期間として予め定められた期間ｎが経過するまでの間に定期的にステップＳ５０が繰り返し実行されることによって、取得部９０により複数の時点で複数組の入力情報が取得される。
　ステップＳ５４で、予測部９２は、前述したように、複数の時点で、ステップＳ５０で取得された複数組の入力情報と、学習済みモデル５６とに基づいて、入力情報を取得部９０が最後に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を予測する。ステップＳ５６で、出力部９４は、ステップＳ５４で予測された抗体の品質及び細胞の品質を表示部４４に出力することによって表示する。ステップＳ５６の処理が終了すると、品質予測処理が終了する。なお、本第２実施形態において、情報処理装置４０は、細胞増殖期の後の期間（例えば、図１３の安定期）において、第１実施形態と同様に、第１実施形態に係る学習済みモデル５６を用いて、抗体の品質及び細胞の品質が許容範囲内であるか否かを監視又はパラメータの調整を行ってもよい。
　以上説明したように、本実施形態によれば、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が経過するまでの間の複数の時点で取得された複数の入力情報から、入力情報を最後に取得した時点から予め定められた期間ｍが経過した後の抗体の品質及び細胞の品質を予測している。従って、少量テストの期間を短縮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、上記各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、上記各実施形態では、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、
　細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得し、
　前記入力情報と、前記入力情報、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用いて予め学習された学習済みモデルとに基づいて、前記入力情報を取得した時点から予め定められた期間を経過した後の前記抗体の品質及び前記細胞の品質を予測する
　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２０１９－１７３３６４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)

  1. 　細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得する取得部と、
    　前記入力情報と、前記入力情報、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用いて予め学習された学習済みモデルとに基づいて、前記入力情報を前記取得部が取得した時点から予め定められた期間を経過した後の前記抗体の品質及び前記細胞の品質を予測する予測部と、
    　を備えた情報処理装置。
  2. 　前記予測部により予測された前記抗体の品質及び前記細胞の品質が許容範囲外である場合、警告を出力する出力部
    　を更に備えた請求項１に記載の情報処理装置。
  3. 　前記出力部は、更に、前記抗体の品質及び前記細胞の品質が前記許容範囲内となる前記入力情報に含まれる情報の少なくとも１つを出力する
    　請求項２に記載の情報処理装置。
  4. 　前記学習済みモデルの入力は、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が経過するまでの間の複数の時点で取得された複数の前記入力情報である
    　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。
  5. 　細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得し、
    　前記入力情報と、前記入力情報、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用いて予め学習された学習済みモデルとに基づいて、前記入力情報を取得した時点から予め定められた期間を経過した後の前記抗体の品質及び前記細胞の品質を予測する
    　処理をコンピュータが実行する情報処理方法。
  6. 　細胞培養におけるプロセス条件と、培地成分と、細胞の数及び径との少なくとも１つを含む入力情報を取得し、
    　前記入力情報と、前記入力情報、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用いて予め学習された学習済みモデルとに基づいて、前記入力情報を取得した時点から予め定められた期間を経過した後の前記抗体の品質及び前記細胞の品質を予測する
    　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。
PCT/JP2020/018808 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 WO2021059577A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20867457.2A EP4015616A4 (en) 2019-09-24 2020-05-11 INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND INFORMATION PROCESSING PROGRAM
JP2021548321A JPWO2021059577A1 (ja) 2019-09-24 2020-05-11
US17/690,389 US20220199195A1 (en) 2019-09-24 2022-03-09 Information processing apparatus, information processing method, and information processing program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019173364 2019-09-24
JP2019-173364 2019-09-24

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/690,389 Continuation US20220199195A1 (en) 2019-09-24 2022-03-09 Information processing apparatus, information processing method, and information processing program

Publications (1)

Publication Number Publication Date
WO2021059577A1 true WO2021059577A1 (ja) 2021-04-01

Family

ID=75166912

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/018808 WO2021059577A1 (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) US20220199195A1 (ja)
EP (1) EP4015616A4 (ja)
JP (1) JPWO2021059577A1 (ja)
WO (1) WO2021059577A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022248935A1 (en) * 2021-05-27 2022-12-01 Lynceus Sas Machine learning-based quality control of a culture for bioproduction
US11567488B2 (en) 2021-05-27 2023-01-31 Lynceus, Sas Machine learning-based quality control of a culture for bioproduction

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009044974A (ja) 2007-08-16 2009-03-05 Univ Nagoya 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
JP2018117567A (ja) * 2017-01-25 2018-08-02 株式会社日立製作所 細胞培養装置
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
WO2019181234A1 (ja) * 2018-03-19 2019-09-26 富士フイルム株式会社 生産物の製造方法
JP2019173364A (ja) 2018-03-28 2019-10-10 鹿島建設株式会社 シールド掘進機及び巨礫の処理方法
WO2020021860A1 (ja) * 2018-07-24 2020-01-30 富士フイルム株式会社 細胞培養支援装置の作動プログラム、細胞培養支援装置、細胞培養支援装置の作動方法
WO2020039683A1 (ja) * 2018-08-22 2020-02-27 富士フイルム株式会社 細胞培養支援装置の作動プログラム、細胞培養支援装置、細胞培養支援装置の作動方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6801000B2 (ja) * 2016-12-01 2020-12-16 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
EP3732485A1 (de) * 2017-12-29 2020-11-04 F. Hoffmann-La Roche AG Vorhersage des metabolischen zustands einer zellkultur

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009044974A (ja) 2007-08-16 2009-03-05 Univ Nagoya 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
JP2018117567A (ja) * 2017-01-25 2018-08-02 株式会社日立製作所 細胞培養装置
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
WO2019181234A1 (ja) * 2018-03-19 2019-09-26 富士フイルム株式会社 生産物の製造方法
JP2019173364A (ja) 2018-03-28 2019-10-10 鹿島建設株式会社 シールド掘進機及び巨礫の処理方法
WO2020021860A1 (ja) * 2018-07-24 2020-01-30 富士フイルム株式会社 細胞培養支援装置の作動プログラム、細胞培養支援装置、細胞培養支援装置の作動方法
WO2020039683A1 (ja) * 2018-08-22 2020-02-27 富士フイルム株式会社 細胞培養支援装置の作動プログラム、細胞培養支援装置、細胞培養支援装置の作動方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4015616A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022248935A1 (en) * 2021-05-27 2022-12-01 Lynceus Sas Machine learning-based quality control of a culture for bioproduction
US11567488B2 (en) 2021-05-27 2023-01-31 Lynceus, Sas Machine learning-based quality control of a culture for bioproduction

Also Published As

Publication number Publication date
US20220199195A1 (en) 2022-06-23
EP4015616A4 (en) 2022-10-12
EP4015616A1 (en) 2022-06-22
JPWO2021059577A1 (ja) 2021-04-01

Similar Documents

Publication Publication Date Title
US20220199195A1 (en) Information processing apparatus, information processing method, and information processing program
Khanal et al. Developments and opportunities in continuous biopharmaceutical manufacturing
Chopda et al. Recent advances in integrated process analytical techniques, modeling, and control strategies to enable continuous biomanufacturing of monoclonal antibodies
Yongky et al. Process intensification in fed-batch production bioreactors using non-perfusion seed cultures
Bielser et al. Semi‐continuous scale‐down models for clone and operating parameter screening in perfusion bioreactors
CN112662551B (zh) 一种细胞培养控制方法以及系统
WO2022042510A1 (zh) 蛋白表达量的预测方法、装置、计算机设备和存储介质
US20220251498A1 (en) Facilities and processes to produce biotherapeutics
Stewart-Ornstein et al. Model-guided optogenetic study of PKA signaling in budding yeast
CN109411016A (zh) 基因变异位点检测方法、装置、设备及存储介质
JP2022544928A (ja) 細胞培養プロセスにおけるプロセス変数を測定するための方法
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
WO2021059578A1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
Allenby et al. Image analyses for engineering advanced tissue biomanufacturing processes
Dürauer et al. Sensors and chemometrics in downstream processing
Banerjee et al. Multi-objective optimization of continuous CHO cell clarification using acoustic wave separation
Khuat et al. Applications of machine learning in biopharmaceutical process development and manufacturing: Current trends, challenges, and opportunities
Whitford Single‐use systems support continuous bioprocessing by perfusion culture
PERRINO PH. D. THESIS IN
JP2023522695A (ja) 治療用タンパク質を製造するためのクロマトグラフィーパラメータの選択
CN113382793A (zh) 实时影响顺序层析
WO2023090015A1 (ja) 情報処理装置、情報処理装置の作動方法、情報処理装置の作動プログラム、校正済み状態予測モデルの生成方法、並びに校正済み状態予測モデル
US20240067918A1 (en) Apparatus for determining cell culturing condition using artificial intelligence and operation method thereof
Andersson et al. Adaptable control policies for variable liquid chromatography columns using deep reinforcement learning
Narayanan et al. Consistent value creation from bioprocess data with customized algorithms: Opportunities beyond multivariate analysis

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: 20867457

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021548321

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 20867457.2

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2020867457

Country of ref document: EP

Effective date: 20220318

NENP Non-entry into the national phase

Ref country code: DE