[go: up one dir, main page]

WO2020039683A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2020039683A1
WO2020039683A1 PCT/JP2019/021822 JP2019021822W WO2020039683A1 WO 2020039683 A1 WO2020039683 A1 WO 2020039683A1 JP 2019021822 W JP2019021822 W JP 2019021822W WO 2020039683 A1 WO2020039683 A1 WO 2020039683A1
Authority
WO
WIPO (PCT)
Prior art keywords
culture
data
initial
production
results
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/021822
Other languages
English (en)
French (fr)
Inventor
恭久 野口
昌孝 長谷川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
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 Fujifilm Corp filed Critical Fujifilm Corp
Priority to EP19851034.9A priority Critical patent/EP3819367A4/en
Priority to JP2020538184A priority patent/JP6956884B2/ja
Publication of WO2020039683A1 publication Critical patent/WO2020039683A1/ja
Priority to US17/172,779 priority patent/US12398361B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

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
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/48—Automatic or computerized control
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/46—Means for regulation, monitoring, measurement or control, e.g. flow regulation of cellular or enzymatic activity or functionality, e.g. cell viability
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • the present disclosure relates to an operation program of a cell culture support device, a cell culture support device, and an operation method of the cell culture support device.
  • Japanese Patent Application Laid-Open No. 2009-044974 discloses a fuzzy neural network analysis based on a set of an index relating to a cell morphology such as a cell area and a perimeter and actual measurement data relating to a cell quality such as a cell growth rate and a differentiation degree. A technique for predicting cell quality from an index relating to cell morphology is described.
  • FIG. 19 shows that the setting, culturing, and evaluation of the culturing conditions are repeatedly performed in the initial culturing step and the three intermediate culturing steps (intermediate culturing steps 1 to 3) until the evaluation result is OK.
  • the present disclosure relates to an operation program of a cell culture support apparatus, a cell culture support apparatus, and an operation method of a cell culture support apparatus that can significantly shorten the period from the initial culture step to the production culture step in cell culture.
  • the purpose is to provide.
  • an operation program of the cell culture support device of the present disclosure includes a cell for supporting a cell culture from an initial culture step to a production culture step performed in a larger-scale facility than the initial culture step.
  • An operation program of the culture support apparatus wherein learning initial result data composed of a set of culture condition data indicating the results of culture conditions in the initial culture step and culture result data indicating the results of culture results, Learning production performance data corresponding to the initial performance data, learning production performance data consisting of a set of culture condition data indicating the actual culture conditions in the production culture process and culture result data indicating the actual culture results.
  • the computer is caused to function as a first deriving unit that derives predicted culture result data that predicts the above.
  • the computer function as a first output control unit that performs control for outputting predicted culture result data.
  • the first derivation unit derives predicted culture result data for each of the plurality of provisional culture condition data, and among the plurality of provisional culture condition data, It is preferable to select the best provisional culture condition data having the best predicted culture result data.
  • the computer be caused to function as a second output control unit that controls to output the best provisional culture condition data.
  • a third acquisition unit that acquires the initial learning data for learning and the production performance data for learning, and performs machine learning based on the initial learning data for learning and the production performance data for learning acquired by the third acquiring unit. It is preferable that the computer function as a second deriving unit that derives a learned model.
  • the initial culture step is a step of selecting a cell into which the antibody gene has been introduced and a medium
  • the production culture step is preferably a step of producing a drug based on the antibody.
  • the cell culture support device of the present disclosure is a cell culture support device for supporting cell culture from an initial culture process to a production culture process performed in a larger-scale facility than the initial culture process, Initial learning data for learning composed of a set of culture condition data indicating the results of culture conditions and culture result data indicating the results of culture results, and production production data for learning corresponding to the initial results data for learning.
  • Initial culture derived by performing machine learning based on culture condition data indicating the results of culture conditions in the production culture process and production results data for learning composed of a set of culture result data indicating the results of culture results.
  • a first acquisition unit for acquiring a learned model indicating a relationship between a process and a production culture process, and culture condition data and a culture condition record indicating actual culture conditions in an initial culture process.
  • the operation method of the cell culture support device is an operation method of the cell culture support device for supporting cell culture from an initial culture step to a production culture step performed in a larger-scale facility than the initial culture step.
  • a learning initial result data composed of a set of culture condition data indicating the results of the culture conditions in the initial culture step and a culture result data indicating the results of the culture results, and a learning result corresponding to the initial results data for the learning.
  • Machine learning based on the culture condition data indicating the results of the culture conditions in the production culture process and the production results data for learning composed of a set of culture result data indicating the results of the culture results.
  • the derived first acquisition step of acquiring a learned model indicating the relationship between the initial culture step and the production culture step, and the results of the culture conditions in the initial culture step A second acquisition step of acquiring initial performance data for analysis composed of a set of culture condition data and culture result data indicating the performance of the culture result, and provisional culture condition data indicating provisional culture conditions in the production culture process. From the learned model acquired in the first acquisition step and the initial actual result data for analysis and the provisional culture condition data acquired in the second acquisition step, predictive culture result data for predicting culture result data in the production culture step. First deriving step.
  • the cell culture support apparatus of the present disclosure is a cell culture support apparatus for supporting cell culture from an initial culture step to a production culture step performed in a larger-scale facility than the initial culture step, Learning initial performance data consisting of a set of culture condition data indicating the results of culture conditions in the process and culture result data indicating the results of culture results, and learning production results data corresponding to the learning initial results data It is derived by performing machine learning based on the culture condition data indicating the results of the culture conditions in the production culture process and the production results data for learning composed of a set of culture result data indicating the results of the culture results.
  • a first acquisition processor for acquiring a learned model indicating a relationship between an initial culture step and a production culture step, and a culture condition indicating a result of culture conditions in the initial culture step
  • a second acquisition processor for acquiring initial results data for analysis composed of a set of data and culture result data indicating the results of culture results, and provisional culture condition data indicating provisional culture conditions in the production culture process; From the trained model acquired by the first acquisition processor, the initial performance data for analysis and the preliminary culture condition data acquired by the second acquisition processor, predictive culture result data for predicting the culture result data of the production culture process is derived.
  • a first derivation processor for acquiring a learned model indicating a relationship between an initial culture step and a production culture step, and a culture condition indicating a result of culture conditions in the initial culture step
  • a second acquisition processor for acquiring initial results data for analysis composed of a set of data and culture result data indicating the results of culture results, and provisional culture condition data indicating provisional culture conditions in the production culture process
  • an operation program of a cell culture support device, a cell culture support device, and a cell culture support device capable of greatly shortening a period from an initial culture process to a production culture process An operating method can be provided.
  • the cell culture system 2 includes an operator terminal 10 and a cell culture support server 11, and is installed in, for example, one cell culture laboratory.
  • the worker terminal 10 is a terminal operated by a worker in cell culture, and is composed of, for example, a desktop personal computer.
  • the cell culture support server 11 corresponds to a cell culture support device, and includes a server computer.
  • the worker terminal 10 and the cell culture support server 11 are communicably connected to each other via a network 12 such as a LAN (Local Area Network).
  • a network 12 such as a LAN (Local Area Network).
  • the worker terminal 10 and the cell culture support server 11 are based on computers such as personal computers, server computers, and workstations.
  • the worker terminal 10 and the cell culture support server 11 are configured by installing a control program such as an operating system and various application programs on these computers.
  • the worker terminal 10 transmits a request to output predicted culture result data or a request to output best temporary culture condition data to the cell culture support server 11.
  • the predicted culture result data is data obtained by predicting the culture result of cell culture in a production culture step of producing a drug based on an antibody using a relatively large-scale facility such as a tank having a capacity of several hundred to several thousand liters.
  • the best provisional culture condition data is the best data of predicted culture result data among a plurality of provisional culture condition data.
  • the temporary culture condition data is data indicating temporary culture conditions for cell culture in the production culture process.
  • the cell culture support server 11 receives the output request for the predicted culture result data, derives the predicted culture result data, and outputs the derived predicted culture result data to the worker terminal 10 that has requested the output. Further, upon receiving the request for output of the best provisional culture condition data, the cell culture support server 11 selects the best provisional culture condition data from the plurality of provisional culture condition data, and transmits the selected best provisional culture condition data to the work of the output request source. To the user terminal 10.
  • the predicted culture result data and the best provisional culture condition data are collectively referred to as guideline information unless it is particularly necessary to distinguish them.
  • the cell culture support server 11 generates a pointer information display screen 80 (see FIGS. 14 and 15) that can be browsed on a web browser of the worker terminal 10 as one form of outputting the pointer information, and displays the generated pointer information.
  • the screen 80 is output to the worker terminal 10. More specifically, the cell culture support server 11 outputs the guideline information display screen 80 in the form of screen data for web distribution created by a markup language such as XML (Extensible Markup Language). Instead of XML, another data description language such as JSON (Javascript (registered trademark) @ Object @ Notation) may be used.
  • JSON Javascript (registered trademark) @ Object @ Notation
  • the worker terminal 10 further transmits to the cell culture support server 11 a registration request for initial results data (see FIG. 4) and a registration request for production results data (see FIG. 5).
  • the cell culture support server 11 registers the initial result data in response to the registration request for the initial result data.
  • the cell culture support server 11 receives the production result data registration request and registers the production result data.
  • the output request for the guideline information includes the initial result data and the provisional culture condition data. Further, the registration request for the initial performance data includes the initial performance data, and the registration request for the production performance data includes the production performance data.
  • the initial performance data is a set of culture condition data X1 indicating the performance of the culture conditions in the initial culture step, and culture result data X2 indicating the performance of the culture result obtained by performing the cell culture using the culture condition data X1.
  • the initial culturing step is performed prior to the production culturing step, and is a step of selecting a cell into which the antibody gene has been introduced and a medium using relatively small equipment such as a Petri dish or flask having a capacity of several to several tens of milliliters. It is.
  • the culture condition data X1 of the initial result data is a set of conditions of each of a plurality of processes performed in the initial culture process.
  • the cultivation condition data X1 of the initial result data is, specifically, a seed density, a temperature, a stirring speed, a medium addition amount, an air flow rate, an oxygen flow rate, a carbon dioxide flow rate, and the like.
  • the culture result data X2 of the initial actual data includes, specifically, cell viability, cell number, viable cell number, cell diameter, hydrogen ion exponent (pH), oxygen concentration, carbon dioxide concentration, glutamic acid concentration, and lactose concentration. , Ammonium concentration, sodium ion concentration, potassium ion concentration, osmotic pressure, antibody concentration and the like.
  • the production performance data is a set of culture condition data X3 indicating the performance of the culture conditions in the production culture process, and culture result data Y indicating the performance of the culture result obtained by performing the cell culture using the culture condition data X3. It consists of.
  • the culture condition data X3 of the production result data is also a set of conditions of each of a plurality of processes performed in the production culture process, similarly to the culture condition data X1 of the initial result data.
  • the culture condition data X3 of the production result data is the same as the culture condition data X1 of the initial result data, and includes a seed density, a temperature, a stirring speed, a medium addition amount, an air flow rate, an oxygen flow rate, a carbon dioxide flow rate, and the like.
  • the culture result data Y of the production result data is the same as the culture result data X2 of the initial result data, and includes cell viability, cell count, viable cell count, cell diameter, hydrogen ion exponent (pH), oxygen concentration, carbon dioxide Concentration, glutamic acid concentration, lactose concentration, ammonium concentration, sodium ion concentration, potassium ion concentration, osmotic pressure, antibody concentration and the like.
  • the computers constituting the worker terminal 10 and the cell culture support server 11 have the same basic configuration, and include a storage device 30, a memory 31, a CPU (Central Processing Unit) 32, a communication unit 33, respectively.
  • a display 34 and an input device 35 are provided. These are interconnected via a data bus 36.
  • the storage device 30 is a hard disk drive built in the computer constituting the worker terminal 10 or the like, or connected via a cable or a network. Alternatively, the storage device 30 is a disk array in which a plurality of hard disk drives are connected. The storage device 30 stores control programs such as an operating system, various application programs, and various data associated with these programs.
  • the memory 31 is a work memory for the CPU 32 to execute processing.
  • the CPU 32 loads the program stored in the storage device 30 into the memory 31 and executes processes according to the program, thereby controlling the components of the computer in an integrated manner.
  • the communication unit 33 is a network interface that controls transmission of various information via the network 12.
  • the display 34 displays various screens. Various screens are provided with an operation function using a GUI (Graphical User Interface).
  • the computer constituting the worker terminal 10 or the like receives an input of an operation instruction from the input device 35 through various screens.
  • the input device 35 is a keyboard, a mouse, a touch panel, or the like.
  • the suffix “A” is assigned to each part of the computer constituting the worker terminal 10
  • the suffix “B” is assigned to each part of the computer constituting the cell culture support server 11. To distinguish them.
  • the CPU 32A of the worker terminal 10 functions as the browser control unit 40 in cooperation with the memory 31 and the like.
  • the browser control unit 40 controls the operation of the web browser.
  • the browser control unit 40 receives screen data of various screens from the cell culture support server 11.
  • the browser control unit 40 reproduces various screens to be displayed on the web browser based on the screen data, and displays them on the display 34A.
  • the browser control unit 40 receives various operation instructions input from the input device 35A through various screens.
  • the browser control unit 40 issues various requests to the cell culture support server 11 according to various operation instructions.
  • the operation instruction includes an instruction to output pointer information.
  • the browser control unit 40 issues a guide information output request to the cell culture support server 11.
  • an operation program 45 is stored as an application program in the storage device 30B of the cell culture support server 11.
  • the operation program 45 is an application program for causing a computer constituting the cell culture support server 11 to function as a cell culture support device. That is, the operation program 45 is an example of the “operation program of the cell culture support device” according to the technology of the present disclosure.
  • the storage device 30B stores a learned model 46 and teacher data 47 in addition to the operation program 45.
  • the CPU 32B of the cell culture support server 11 cooperates with the memory 31 and the like to obtain the first acquisition unit 50, the second acquisition unit 51, the first derivation unit 52, the output control unit 53, It functions as a third acquisition unit 54 and a second derivation unit 55.
  • the first acquisition unit 50 reads the learned model 46 from the storage device 30B and acquires the learned model 46.
  • the first acquisition unit 50 outputs the acquired learned model 46 to the first derivation unit 52.
  • the second acquisition unit 51 receives a guide information output request from the worker terminal 10.
  • the output request for the guideline information includes the initial result data and the provisional culture condition data. Therefore, the second obtaining unit 51 obtains the initial result data and the provisional culture condition data by receiving the output request of the guideline information.
  • the second acquisition unit 51 outputs the acquired initial result data and the provisional culture condition data to the first derivation unit 52.
  • the initial result data acquired by the second acquisition unit 51 and output to the first derivation unit 52 is the initial result data for analysis that the first derivation unit 52 analyzes using the learned model 46.
  • the second acquisition unit 51 also receives a request for registration of initial performance data from the worker terminal 10. That is, the second acquisition unit 51 acquires the initial performance data by receiving the registration request of the initial performance data.
  • the second acquiring unit 51 registers the acquired initial result data as the teacher data 47 in the storage device 30B.
  • the initial result data acquired by the second acquisition unit 51 and registered in the storage device 30B is the initial result data for learning.
  • the second acquisition unit 51 also receives a request for registration of production result data from the worker terminal 10. That is, the second acquisition unit 51 acquires the production result data by receiving the registration request of the production result data. The second acquisition unit 51 registers the acquired production result data as the teacher data 47 in the storage device 30B. The production result data acquired by the second acquisition unit 51 and registered in the storage device 30B is production result data for learning.
  • the first derivation unit 52 divides the guideline information from the learned model 46 acquired by the first acquisition unit 50 and the initial performance data for analysis and the temporary culture condition data acquired by the second acquisition unit 51. Derive.
  • the first deriving unit 52 outputs the derived pointer information to the output control unit 53.
  • the output control unit 53 corresponds to the first output control unit and the second output control unit, and performs control to output the pointer information from the first derivation unit 52. More specifically, the output control unit 53 generates screen data of the guide information display screen 80 for web distribution. Then, the screen data of the generated guideline information display screen 80 is output to the worker terminal 10 that has issued the output request. The output control unit 53 also generates screen data of various screens other than the pointer information display screen 80 and outputs the screen data to the worker terminal 10.
  • the third acquisition unit 54 reads the teacher data 47 from the storage device 30B and acquires the teacher data 47.
  • the teacher data 47 includes initial performance data for learning and production performance data for learning (see FIG. 10). That is, the third acquisition unit 54 acquires the initial result data for learning and the production result data for learning by acquiring the teacher data 47.
  • the third acquisition unit 54 outputs the acquired teacher data 47 to the second derivation unit 55.
  • the second derivation unit 55 performs machine learning based on the teacher data 47 from the third acquisition unit 54 to derive the learned model 46.
  • the second deriving unit 55 registers the derived learned model 46 in the storage device 30B.
  • the acquisition of the teacher data 47 by the third acquiring unit 54 and the derivation of the learned model 46 by the second deriving unit 55 are performed at a preset timing, for example, every month.
  • the acquisition of the teacher data 47 by the third acquisition unit 54 and the derivation of the learned model 46 by the second derivation unit 55 may be performed at the timing instructed by the worker.
  • the acquisition of the teacher data 47 by the third acquisition unit 54 and the derivation of the learned model 46 by the second derivation unit 55 are not performed while the number of samples of the teacher data 47 is less than the set value.
  • the learned model 46 is derived by the second deriving unit 55 only when the number of samples of the teacher data 47 becomes equal to or larger than the set value.
  • the number of samples of the teacher data 47 is the number of records shown in FIG.
  • the learned model 46 is derived for each culture purpose such as for the drug ⁇ and the drug ⁇ .
  • the learned model 46 uses the culture result data Y of the production culture process as an objective variable, and uses the culture condition data X1 of the initial culture process, the culture result data X2 of the initial culture process, and the culture condition data X3 of the production culture process as explanatory variables. Things.
  • the first derivation unit 52 inputs the initial performance data for analysis from the second acquisition unit 51, that is, the culture condition data and culture result data of the initial culture step, and the provisional culture condition data to the learned model 46. By performing the calculation, the predicted culture result data is derived.
  • FIG. 9 shows the learned model 46 for the medicine ⁇ . For this reason, a subscript ⁇ is added to each variable such as “Y ⁇ ”.
  • teacher data 47 is also registered for each culture purpose, similarly to the learned model 46.
  • the teacher data 47 an area delimited by the culture ID assigned to each cell culture from the initial culture step to the production culture step constitutes one record.
  • One record includes the culture condition data X1 and culture result data X2 of the initial culture step, ie, the initial performance data for learning, and the culture condition data X3 and culture result data Y of the production culture step, ie, the production result data for learning.
  • the teacher data 47 is composed of the initial performance data for learning and the production performance data for learning.
  • FIG. 10 shows the teacher data 47 for the medicine ⁇ as in FIG. The number after the under bar in each data indicates the culture ID.
  • the culture condition data of the initial result data of the culture ID “001” is expressed as “X1 ⁇ _001”.
  • the initial performance data for learning and the production performance data for learning are input by the operator via an input screen (not shown) displayed on the display 34A of the operator terminal 10, for example.
  • the culture purpose and culture ID are also input at this time.
  • the input screen is generated in the output control unit 53 of the cell culture support server 11 and output to the worker terminal 10. Then, the information is displayed on the display 34A by the browser control unit 40 of the worker terminal 10.
  • the input screen is provided with a transmission button for instructing to transmit the input initial learning result data for learning or the actual production data for learning to the cell culture support server 11.
  • the browser control unit 40 issues a request to register the initial result data for learning or the request for registration of production result data for learning to the cell culture support server 11.
  • the learning initial performance data is input, for example, at the end of the initial culturing process
  • the learning production performance data is input, for example, at the end of the production culturing process.
  • the culture condition data and the culture result data in the intermediate culture step between the initial culture step and the production culture step are not input, and therefore the culture condition data and the culture result data in the intermediate culture step are not registered in the teacher data 47.
  • FIG. 11 is an example of an input screen 60 displayed on the display 34A of the worker terminal 10 for requesting the output of pointer information.
  • the input screen 60 is generated in the output control unit 53 of the cell culture support server 11 and output to the worker terminal 10. Then, the information is displayed on the display 34A by the browser control unit 40 of the worker terminal 10.
  • the input screen 60 has a first area 61, a second area 62, a third area 63, a fourth area 64, and an OK button 65.
  • a first area 61 has an input box 66 for culture purpose
  • a second area 62 has an input box 67 for culture condition data X1 of the initial culture step
  • a third area 63 has culture input data X2 of the initial culture step.
  • a box 68 is provided, and an input box 69 for provisional culture condition data in the production culture step is provided in the fourth area 64.
  • a plurality of input boxes 67 to 69 are provided for the culture condition data X1 of the initial culture process, the culture result data X2 of the initial culture process, and the culture result of the production culture process. This is because there are a plurality of types of data Y.
  • a reference button 70 is provided beside the second area 62.
  • the reference button 70 is selected when it is desired to input the culture condition data X1 of the initial culture step, for which a registration request has been made in advance and already registered in the teacher data 47, into the input box 67.
  • the culture condition data X1 of the initial culture step registered in the teacher data 47 is displayed in a list on the input screen 60 together with the culture ID and the like.
  • the operator selects the culture condition data X1 of the initial culture step to be input from the list.
  • the culture condition data X1 of the selected initial culture step is read from the teacher data 47 and input to the input box 67.
  • a reference button 71 is provided beside the third area 63. Similarly to the reference button 70, the reference button 71 is selected when the culture result data X2 of the initial culture step already registered in the teacher data 47 is desired to be input to the input box 68.
  • a data set button 72 is provided beside the fourth area 64.
  • the data set button 72 is selected when inputting a plurality of preset provisional culture condition data as the provisional culture condition data.
  • the plurality of provisional culture condition data are, for example, five pieces of data in which the temperature of the culture condition data in the production culture process is changed in increments of 2.5 ° C. and the same except for the temperature.
  • the plurality of provisional culture condition data are ten pieces of data in which certain three types of the culture condition data in the production culture process are changed at random and the other three types are the same.
  • the plurality of provisional culture condition data may be fixed or may be configured so that the operator can change the setting.
  • a plurality of provisional culture condition data may be set based on the experimental design method.
  • the input box 66 contains the purpose of culture
  • the input box 67 contains the culture condition data X1 of the initial culture step
  • the input box 68 contains the culture result data X2 of the initial culture step
  • the input box 69 contains the provisional culture condition data of the production culture step.
  • the input is made and the OK button 65 is selected. In this case, a request to output predicted culture result data is issued from the browser control unit 40 to the cell culture support server 11.
  • the purpose of culture is input to the input box 66, the culture condition data X1 of the initial culture step is input to the input box 67, and the culture result data X2 of the initial culture step is input to the input box 68.
  • the data set button 72 is selected, and the OK button 65 is selected. Is selected. In this case, the browser control unit 40 issues an output request for the best provisional culture condition data to the cell culture support server 11.
  • FIGS. 12 and 13 show a process of deriving the pointer information in the first deriving unit 52.
  • FIG. FIG. 12 shows the process of deriving the predicted culture result data
  • FIG. 13 shows the process of deriving the best provisional culture condition data.
  • FIG. 12 shows an input box 66 containing a drug ⁇ for the purpose of culture, an input box 67 containing culture condition data X1 ⁇ _010 of the initial culture step, an input box 68 containing a culture result data X2 ⁇ _010 of the initial culture step, and an input box 69 containing a production culture step.
  • 3 shows the case where the provisional culture condition data PX3 ⁇ is input.
  • the tentative culture condition data PX3 ⁇ is input and calculated.
  • predicted culture result data RY ⁇ is obtained.
  • the first derivation unit 52 outputs the predicted culture result data RY ⁇ to the output control unit 53 as guideline information.
  • the drug ⁇ is input to the input box 66 for the purpose of culture
  • the culture condition data X1 ⁇ _010 of the initial culture step is input to the input box 67
  • the culture result data X2 ⁇ _010 of the initial culture step is input to the input box 68.
  • FIG. 13 shows a case where the data set button 72 is selected and a total of five preliminarily set tentative culture condition data of 1_PX3 ⁇ , 2_PX3 ⁇ ,..., 5_PX3 ⁇ are input.
  • the first deriving unit 52 derives predicted culture result data for each of the provisional culture condition data 1_PX3 ⁇ to 5_PX3 ⁇ .
  • Y ⁇ F (X1 ⁇ , X2 ⁇ , X3 ⁇ ), which is a learned model 46 for pharmaceutical ⁇ , culture condition data X1 ⁇ _010 in the initial culture process, culture result data X2 ⁇ _010 in the initial culture process, and temporary culture condition data Calculate by inputting 1_PX3 ⁇ .
  • predicted culture result data 1_RY ⁇ is obtained.
  • the predicted culture result data 2_RY ⁇ is obtained by inputting and calculating the preliminary culture condition data 2_PX3 ⁇
  • the predicted culture result data 5_RY ⁇ is obtained by inputting and calculating the preliminary culture condition data 5_PX3 ⁇ .
  • the first deriving unit 52 selects the best provisional culture condition data PX3 ⁇ BEST having the best predicted culture result data among the provisional culture condition data 1_PX3 ⁇ to 5_PX3 ⁇ .
  • FIG. 13 shows the case where the predicted culture result data 2_RY ⁇ is the best among the obtained predicted culture result data 1_RY ⁇ to 5_RY ⁇ , and the provisional culture condition data 2_PX3 ⁇ is selected as the best provisional culture condition data PX3 ⁇ BEST.
  • the first deriving unit 52 obtains the antibody concentration as the predicted culture result data RY, and selects the provisional culture condition data PX3 having the highest antibody concentration as the best provisional culture condition data PX3BEST.
  • the first derivation unit 52 outputs the best provisional culture condition data 2_PX3 ⁇ to the output control unit 53 as guideline information.
  • FIGS. 14 and 15 show examples of the pointer information display screen 80 displayed on the display 34A of the worker terminal 10.
  • the pointer information display screen 80 is generated in the output control unit 53 of the cell culture support server 11 and output to the operator terminal 10. Then, the information is displayed on the display 34A by the browser control unit 40 of the worker terminal 10.
  • the pointer information display screen 80 disappears when the OK button 81 is selected.
  • the guideline information display screen 80 shown in FIG. 14 is an example in which predicted culture result data RY ⁇ (here, antibody concentration) is displayed as guideline information. More specifically, the sentence "When the culture conditions in the production culture step are the input conditions, the antibody concentration in the production culture step is expected to be 150 mg / ml" is displayed as guideline information. . “150 mg / ml” in the sentence is the predicted culture result data RY ⁇ .
  • the guideline information display screen 80 shown in FIG. 15 is an example in which the best provisional culture condition data PX3 ⁇ BEST is displayed as guideline information. More specifically, a sentence, “Out of the provisional culture conditions 1 to 5, the best culture result in the production culture step is the provisional culture condition 2” is displayed as guideline information. The “temporary culture condition 2” in the text is the best temporary culture condition data PX3 ⁇ BEST.
  • the predicted culture result data RY in the case of the best provisional culture condition data PX3BEST may be displayed.
  • provisional culture condition data PX3 and its predicted culture result data RY are displayed in a list, and the best provisional culture condition data PX3BEST is displayed in a shaded manner so as to be distinguished from other provisional culture condition data PX3. Is also good.
  • the pointer information display screen 80 is provided with a detail button 82 for displaying details of the pointer information.
  • a detail button 82 for displaying details of the pointer information.
  • the detail button 82 is selected on the guideline information display screen 80 shown in FIG. 14, the detailed contents of the provisional culture condition data PX3 ⁇ input via the input screen 60 are displayed.
  • the detail button 82 is selected on the guideline information display screen 80 shown in FIG. 15, detailed contents of the best provisional culture condition data PX3 ⁇ BEST are displayed.
  • the second deriving unit 55 uses, for example, a neural network 90 as a machine learning method for deriving the learned model 46.
  • the neural network 90 includes an input layer, a plurality of hidden layers (hidden layers), and an output layer, as shown as an example.
  • the neural network 90 is an estimation model that simulates the culture result data Y of the production culture step from the culture condition data X1 of the initial culture step, the culture result data X2 of the initial culture step, and the culture condition data X3 of the production culture step.
  • the input layer of the neural network 90 receives a set of culture condition data X1 of the initial culture process, culture result data X2 of the initial culture process, and culture condition data X3 of the production culture process.
  • the culture result data Y of the production culture step corresponding to the data set input to the input layer is output.
  • the second deriving unit 55 uses the teacher data 47 to train the neural network 90 in accordance with the backpropagation method as an example of machine learning.
  • the second deriving unit 55 is a set of culture condition data X1 of the initial culture process, culture result data X2 of the initial culture process, and culture condition data X3 of the production culture process included in one record of the teacher data 47. Is input to the neural network 90, and the culture result data Y in the production culture step is output from the neural network 90. Then, the second derivation unit 55 minimizes the difference between the culture result data Y of the production culture process output to the neural network 90 and the culture result data Y of the actual production culture process registered in the teacher data 47. Thus, the neural network 90 is trained.
  • the output value of the neural network 90 is, for example, the sum of output values output from each node of each layer according to the input value.
  • Each node in each of the input layer, the intermediate layer, and the output layer is given a weight for an input value.
  • a threshold value to be compared with the input value is set for each node.
  • each node compares an input value to each node with a threshold, and outputs an output value of “0” or “1” according to the comparison result.
  • a sigmoid function may be set in each node. In this case, the output value changes between "0" and "1" according to the input value.
  • the threshold of each node or the coefficient of the sigmoid function is given as a weight for the input value input to each node.
  • the second derivation unit 55 sets the difference between the culture result data Y of the production culture process output to the neural network 90 and the culture result data Y of the actual production culture process registered in the teacher data 47 to be minimum. Change the weight of a node. The second deriving unit 55 changes the weight of the node in this way, and registers the neural network 90 adjusted so as to minimize the difference in the storage device 30B as the learned model 46.
  • FIG. 17 shows the operation phase of machine learning
  • FIG. 18 shows the learning phase of machine learning
  • the learned model 46 is read from the storage device 30B to the first acquisition unit 50, and the learned model 46 is acquired by the first acquisition unit 50 ( Step ST100, first acquisition step).
  • the learned model 46 is output from the first acquisition unit 50 to the first derivation unit 52.
  • the input screen 60 shown in FIG. 11 is displayed on the display 34A by the browser control unit 40. Then, via the input screen 60, the culture purpose, the culture condition data X1 of the initial culture process, the culture result data X2 of the initial culture process, and the temporary culture condition data PX3 of the production culture process are input.
  • Each of the input data is transmitted to the cell culture support server 11 as a request for outputting guideline information.
  • the second acquisition unit 51 acquires the culture condition data X1 of the initial culture process, the culture result data X2 of the initial culture process, that is, the initial performance data for analysis, and the temporary culture condition data PX3 of the production culture process. (Step ST110, second acquisition step). Each of these data is output from the second acquisition unit 51 to the first derivation unit 52.
  • the first derivation unit 52 derives the predicted culture result data RY as shown in FIGS. 12 and 13 (step ST120, first derivation step). More specifically, the predicted culture result data RY is derived by inputting and calculating each data into the learned model 46. The predicted culture result data RY is output from the first derivation unit 52 to the output control unit 53.
  • the first derivation unit 52 selects the best provisional culture condition data PX3BEST as shown in FIG. Step ST140). More specifically, in step ST120, predicted culture result data RY is derived for each of the plurality of provisional culture condition data PX3, and the best provisional culture condition data PX3BEST is selected from the plurality of provisional culture condition data PX3. The best provisional culture condition data PX3BEST is output from the first derivation unit 52 to the output control unit 53.
  • the output control unit 53 generates the screen data of the pointer information display screen 80 shown in FIGS. 14 and 15.
  • the screen data of the pointer information display screen 80 is output by the output control unit 53 to the worker terminal 10 that has issued the output request (step ST150).
  • the pointer information display screen 80 from the cell culture support server 11 is displayed on the display 34A by the browser control unit 40.
  • the operator browses the guideline information displayed on the guideline information display screen 80, and proceeds with the culturing operation according to the guideline information. For example, when the guideline information display screen 80 shown in FIG. 15 is displayed, the operator starts the production culturing process under the tentative culture condition 2.
  • the first derivation is performed using the learned model 46 indicating the relationship between the initial culture step and the production culture step, the culture condition data X1 of the initial culture step, the culture result data X2 of the initial culture step, and the provisional culture condition data PX3.
  • the unit 52 derives predicted culture result data RY in the production culture process. Therefore, it is possible to predict the culture result of the production culture step even if there is no data of the intermediate culture step. Therefore, it is not necessary to perform the intermediate culturing step, and it is possible to greatly shorten the period from the initial culturing step to the production culturing step in the cell culture.
  • the output control unit 53 outputs the predicted culture result data RY and provides it to the operator for browsing, the operator can easily know what the predicted culture result data RY will be based on the provisional culture condition data PX3 inputted by himself / herself. be able to.
  • the first derivation unit 52 derives the predicted culture result data RY for each of the plurality of provisional culture condition data PX3, and
  • the best provisional culture condition data PX3BEST is selected from the provisional culture condition data PX3. Therefore, the operator can easily know the best provisional culture condition data PX3BEST. Further, if the culturing conditions in the production culturing step are set in accordance with the best provisional culturing condition data PX3BEST, relatively good culturing result data Y is guaranteed, so that the production efficiency of the drug is also improved.
  • the teacher data 47 is read from the storage device 30B to the third acquisition unit 54, and the teacher data 47 is acquired by the third acquisition unit 54. Is performed (step ST200).
  • the teacher data 47 is output from the third acquisition unit 54 to the second derivation unit 55.
  • the neural network 90 is trained by the teacher data 47, whereby the trained model 46 is derived (step ST210).
  • the learned model 46 is registered in the storage device 30B by the second derivation unit 55 (step ST220).
  • the learned data 46 is acquired in accordance with the constantly updated teacher data 47.
  • Model 46 can also be updated. Further, it is possible to save the trouble of procuring the learned model 46 from another computer.
  • the learned model 46 and the teacher data 47 were registered in the storage device 30B of the cell culture support server 11, but the present invention is not limited to this.
  • the learned model 46 and the teacher data 47 may be registered in a database server different from the cell culture support server 11, and the learned model 46 and the teacher data 47 may be transmitted from the database server to the cell culture support server 11. .
  • the output form of the pointer information is not limited to the pointer information display screen 80 of the above embodiment.
  • the guideline information may be printed out by a printer connected to the worker terminal 10, or a file indicating the guideline information may be transmitted to the worker terminal 10 by e-mail.
  • the method of machine learning is not limited to the neural network 90. Other methods such as a regression tree and a classification tree may be used.
  • the initial culture step is a step of selecting a cell into which an antibody gene has been introduced and a medium
  • the production culture step is a step of producing a drug based on an antibody.
  • the present invention is not limited to this. It suffices if at least the production culture step is performed in a larger-scale facility than the initial culture step.
  • the cell culture support server 11 may be configured with a plurality of server computers separated as hardware for the purpose of improving processing performance and reliability.
  • the functions of the first acquisition unit 50, the second acquisition unit 51, the first derivation unit 52, and the output control unit 53, and the functions of the third acquisition unit 54 and the second derivation unit 55 are two units. Distributed to the server computers.
  • the cell culture support server 11 is composed of two server computers.
  • the output control of the predicted culture result data RY and the output control of the best provisional culture condition data PX3BEST are performed by one output control unit 53, but the present invention is not limited to this.
  • the first output control unit that controls the output of the predicted culture result data RY and the second output control unit that controls the output of the best provisional culture condition data PX3BEST may be divided.
  • the operating program 45 is installed in the worker terminal 10, each processing unit constructed in the cell culture support server 11 in the above embodiment is constructed in the worker terminal 10, and the worker terminal 10 is operated as a cell culture support device. Is also good.
  • the hardware configuration of the computer can be appropriately changed according to required performance such as processing capacity, security, and reliability. Further, not only hardware but also application programs such as the operation program 45 can be duplicated or distributed and stored in a plurality of storage devices for the purpose of ensuring safety and reliability. is there.
  • the cell culture support server 11 is installed in one cell culture laboratory and used in one cell culture laboratory.
  • the cell culture support server 11 can be used in a plurality of cell culture laboratories. It may be.
  • the cell culture support server 11 may be connected to a plurality of cell cultures via a WAN (Wide Area Network) such as the Internet or a public communication network. It is communicably connected to a plurality of worker terminals 10 installed in the laboratory. Then, an output request from each worker terminal 10 is received by the cell culture support server 11 via the WAN, and guideline information is output to each worker terminal 10.
  • the installation location and the operating entity of the cell culture support server 11 may be, for example, a data center operated by a company different from the cell culture laboratory, or one of a plurality of cell culture laboratories.
  • a processing unit that executes various processes such as a first acquisition unit 50, a second acquisition unit 51, a first derivation unit 52, an output control unit 53, a third acquisition unit 54, and a second derivation unit 55
  • processors processors
  • various processors include, after manufacturing an FPGA (Field Programmable Gate Array) or the like, as described above.
  • a processor having a circuit configuration specifically designed to execute a specific process such as a programmable logic device (Programmable Logic Device: PLD) or an ASIC (Application Specialized Integrated Circuit) which is a processor whose circuit configuration can be changed. Electric circuits and the like are included.
  • PLD programmable logic device
  • ASIC Application Specialized Integrated Circuit
  • One processing unit may be constituted by 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 and / or a CPU and / or (Combination with FPGA). Further, a plurality of processing units may be configured by one processor.
  • a plurality of processing units are configured by one processor
  • first as represented by computers such as a client and a server
  • one processor is configured by a combination of one or more CPUs and software.
  • a processor functions as a plurality of processing units.
  • Second as represented by a system-on-chip (System ⁇ On ⁇ Chip: SoC) or the like, a form in which a processor that realizes the function of the entire system including a plurality of processing units by one IC (Integrated Circuit) chip is used. is there.
  • SoC System ⁇ On ⁇ Chip
  • the various processing units are configured using one or more of the above-described various processors as a hardware structure.
  • circuitry in which circuit elements such as semiconductor elements are combined can be used.
  • a cell culture support device for supporting a cell culture from an initial culture step to a production culture step performed in a larger-scale facility than the initial culture step, Initial performance data for learning composed of a set of culture condition data indicating the results of the culture conditions in the initial culture step and culture result data indicating the results of the culture results, and learning results corresponding to the initial performance data for learning.
  • the machine learning based on the culture performance data indicating the performance of the culture conditions in the production culture process and the learning production performance data composed of a set of culture result data indicating the performance of the culture result.
  • a first acquisition processor that acquires a learned model indicating a relationship between the initial culture step and the production culture step, Initial performance data for analysis composed of a set of culture condition data indicating the results of the culture conditions in the initial culture process and culture results data indicating the results of the culture results, and a provisional culture condition indicating the temporary culture conditions in the production culture process.
  • a second acquisition processor for acquiring culture condition data; A prediction that predicts the culture result data of the production culture step from the learned model acquired in the first acquisition processor, the initial performance data for analysis and the preliminary culture condition data acquired in the second acquisition processor.
  • a first derivation processor for deriving culture result data;
  • a cell culture support device comprising:
  • the technology of the present disclosure can also appropriately combine the various embodiments described above and various modifications.
  • the present invention is not limited to the above-described embodiment, and various configurations may be employed without departing from the gist of course.
  • the technology of the present disclosure extends to a storage medium that temporarily stores a program in addition to the program.
  • a and / or B has the same meaning as “at least one of A and B”. That is, “A and / or B” means that only A may be used, only B may be used, or a combination of A and B may be used. Also, in the present specification, the same concept as “A and / or B” is applied to the case where three or more matters are connected and expressed by “and / or”.

Landscapes

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

Abstract

細胞培養支援装置の作動プログラムは、第１取得部、第２取得部、第１導出部として、コンピュータを機能させる。第１取得部は、学習用の初期実績データと学習用の生産実績データとに基づいて機械学習を行い導出された、初期培養工程と生産培養工程との関係性を示す学習済みモデルを取得する。 第２取得部は、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、生産培養工程における仮の培養条件を示す仮培養条件データとを取得する。第１導出部は、第１取得部において取得した学習済みモデルと、第２取得部において取得した解析用の初期実績データおよび仮培養条件データとから、生産培養工程の培養結果データを予測した予測培養結果データを導出する。

Description

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
　本開示は、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に関する。
　生体から採取した細胞を培養する細胞培養が盛んに行われている。特開２００９－０４４９７４号公報には、細胞の面積、周囲長といった細胞の形態に関する指標と、細胞の増殖率、分化度といった細胞の品質に関する実測データとの組に基づいてファジーニューラルネットワーク解析し、細胞の形態に関する指標から、細胞の品質を予測する技術が記載されている。
　細胞培養には、４０週程度の比較的長い期間が必要である。というのは、図１９に概念的に示すように、数～数十ミリリットルの容量のシャーレまたはフラスコを用いた比較的小規模な初期培養工程から、数百～数千リットルの容量のタンクを用いた比較的大規模な生産培養工程に至るまでに、多くの実験を要する中間培養工程を経なければならないためである。例えば、中間培養工程では、初期培養工程において選定した、抗体遺伝子の導入細胞と培地を用いて、培地に日々追加する成分の量、攪拌速度、環境温湿度といった種々のパラメータを最適化するための実験を繰り返し行う必要がある。図１９では、初期培養工程と３つの中間培養工程（中間培養工程１～３）とで、培養条件の設定、培養、評価を、評価結果がＯＫとなるまで繰り返し行う様子が示されている。
　特開２００９－０４４９７４号公報に記載の技術は、例えば初期培養工程等の１つの培養工程における細胞の形態に関する指標から、細胞の品質を予測するものである。このため、１つの培養工程の短縮化には寄与するが、その効果は限定的である。
　本開示は、細胞培養における、初期培養工程から生産培養工程に至るまでの期間を大幅に短縮化することが可能な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を提供することを目的とする。
　上記目的を達成するために、本開示の細胞培養支援装置の作動プログラムは、初期培養工程から、初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置の作動プログラムであって、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、学習用の初期実績データに対応する学習用の生産実績データであり、生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、初期培養工程と生産培養工程との関係性を示す学習済みモデルを取得する第１取得部と、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得部と、第１取得部において取得した学習済みモデルと、第２取得部において取得した解析用の初期実績データおよび仮培養条件データとから、生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出部として、コンピュータを機能させる。
　予測培養結果データを出力する制御を行う第１出力制御部として、コンピュータを機能させることが好ましい。
　第２取得部で複数の仮培養条件データを取得した場合、第１導出部は、複数の仮培養条件データの各々について予測培養結果データを導出し、かつ複数の仮培養条件データのうちで、予測培養結果データが最良の最良仮培養条件データを選定することが好ましい。
　最良仮培養条件データを出力する制御を行う第２出力制御部として、コンピュータを機能させることが好ましい。
　学習用の初期実績データと学習用の生産実績データとを取得する第３取得部と、第３取得部において取得した学習用の初期実績データと学習用の生産実績データとに基づいて機械学習を行って、学習済みモデルを導出する第２導出部として、コンピュータを機能させることが好ましい。
　初期培養工程は、抗体遺伝子の導入細胞と培地とを選定する工程であり、生産培養工程は、抗体に基づく医薬品を生産する工程であることが好ましい。
　本開示の細胞培養支援装置は、初期培養工程から、初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置であって、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、学習用の初期実績データに対応する学習用の生産実績データであり、生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、初期培養工程と生産培養工程との関係性を示す学習済みモデルを取得する第１取得部と、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得部と、第１取得部において取得した学習済みモデルと、第２取得部において取得した解析用の初期実績データおよび仮培養条件データとから、生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出部と、を備える。
　本開示の細胞培養支援装置の作動方法は、初期培養工程から、初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置の作動方法であって、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、学習用の初期実績データに対応する学習用の生産実績データであり、生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、初期培養工程と生産培養工程との関係性を示す学習済みモデルを取得する第１取得ステップと、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得ステップと、第１取得ステップにおいて取得した学習済みモデルと、第２取得ステップにおいて取得した解析用の初期実績データおよび仮培養条件データとから、生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出ステップと、を備える。
　また、本開示の細胞培養支援装置は、初期培養工程から、初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置であって、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、学習用の初期実績データに対応する学習用の生産実績データであり、生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、初期培養工程と生産培養工程との関係性を示す学習済みモデルを取得する第１取得プロセッサと、初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得プロセッサと、第１取得プロセッサにおいて取得した学習済みモデルと、第２取得プロセッサにおいて取得した解析用の初期実績データおよび仮培養条件データとから、生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出プロセッサと、を備える。
　本開示によれば、細胞培養における、初期培養工程から生産培養工程に至るまでの期間を大幅に短縮化することが可能な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を提供することができる。
細胞培養システムを示す図である。 作業者端末から細胞培養支援サーバに送信する要求と、細胞培養支援サーバから作業者端末に送信する情報を示す図である。 作業者端末から細胞培養支援サーバに送信する要求を示す図である。 初期実績データを示す図である。 生産実績データを示す図である。 作業者端末および細胞培養支援サーバを構成するコンピュータを示すブロック図である。 作業者端末のＣＰＵの処理部を示すブロック図である。 細胞培養支援サーバのＣＰＵの処理部を示すブロック図である。 学習済みモデルの内容を示す図である。 教師データの内容を示す図である。 培養目的、初期培養工程の培養条件データおよび培養結果データ、生産培養工程の仮培養条件データの入力画面を示す図である。 第１導出部における予測培養結果データの導出過程を示す図である。 第１導出部における最良仮培養条件データの導出過程を示す図である。 指針情報表示画面を示す図である。 指針情報表示画面を示す図である。 第２導出部において学習済みモデルを導出する様子を示す図である。 細胞培養支援サーバの処理手順を示すフローチャートである。 細胞培養支援サーバの処理手順を示すフローチャートである。 細胞培養の手順を示す図である。
　図１において、細胞培養システム２は、作業者端末１０と細胞培養支援サーバ１１とを備え、例えば１つの細胞培養ラボラトリーに設置される。作業者端末１０は、細胞培養の作業者が操作する端末であり、例えばデスクトップ型のパーソナルコンピュータで構成される。細胞培養支援サーバ１１は細胞培養支援装置に相当し、サーバコンピュータで構成される。作業者端末１０と細胞培養支援サーバ１１とは、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等のネットワーク１２で相互に通信可能に接続されている。
　作業者端末１０および細胞培養支援サーバ１１は、パーソナルコンピュータ、サーバコンピュータ、ワークステーションといったコンピュータをベースとする。作業者端末１０および細胞培養支援サーバ１１は、これらのコンピュータに、オペレーティングシステム等の制御プログラム、および各種アプリケーションプログラムをインストールして構成される。
　図２において、作業者端末１０は、予測培養結果データの出力要求、または最良仮培養条件データの出力要求を細胞培養支援サーバ１１に送信する。予測培養結果データは、数百～数千リットルの容量のタンク等の比較的大規模な設備で、抗体に基づく医薬品を生産する生産培養工程の細胞培養の培養結果を予測したデータである。最良仮培養条件データは、複数の仮培養条件データのうちで、予測培養結果データが最良のデータである。仮培養条件データは、生産培養工程における細胞培養の仮の培養条件を示すデータである。
　細胞培養支援サーバ１１は、予測培養結果データの出力要求を受けて予測培養結果データを導出し、導出した予測培養結果データを出力要求元の作業者端末１０に出力する。また、細胞培養支援サーバ１１は、最良仮培養条件データの出力要求を受けて、複数の仮培養条件データから最良仮培養条件データを選定し、選定した最良仮培養条件データを出力要求元の作業者端末１０に出力する。なお、以下では、特に区別する必要がない場合、予測培養結果データおよび最良仮培養条件データを、まとめて指針情報という。
　細胞培養支援サーバ１１は、指針情報の出力の一形態として、作業者端末１０のウェブブラウザ上で閲覧可能な指針情報表示画面８０（図１４および図１５参照）を生成し、生成した指針情報表示画面８０を作業者端末１０に出力する。より詳しくは、細胞培養支援サーバ１１は、指針情報表示画面８０を、ＸＭＬ（Ｅｘｔｅｎｓｉｂｌｅ　Ｍａｒｋｕｐ　Ｌａｎｇｕａｇｅ）等のマークアップ言語によって作成されるウェブ配信用の画面データの形式で出力する。ＸＭＬに代えて、ＪＳＯＮ（Ｊａｖａｓｃｒｉｐｔ（登録商標）　Ｏｂｊｅｃｔ　Ｎｏｔａｔｉｏｎ）等の他のデータ記述言語を利用してもよい。なお、細胞培養支援サーバ１１は、指針情報表示画面８０の他にも、様々な画面をウェブ配信用の画面データの形式で作業者端末１０に出力する。
　図３において、作業者端末１０はさらに、初期実績データ（図４参照）の登録要求と生産実績データ（図５参照）の登録要求を細胞培養支援サーバ１１に送信する。細胞培養支援サーバ１１は、初期実績データの登録要求を受けて初期実績データを登録する。また、細胞培養支援サーバ１１は、生産実績データの登録要求を受けて生産実績データを登録する。
　指針情報の出力要求には、初期実績データと仮培養条件データとが含まれる。また、初期実績データの登録要求には初期実績データが、生産実績データの登録要求には生産実績データが、それぞれ含まれる。
　図４に示すように、初期実績データは、初期培養工程における培養条件の実績を示す培養条件データＸ１、および培養条件データＸ１で細胞培養を行った培養結果の実績を示す培養結果データＸ２の組で構成される。ここで初期培養工程は、生産培養工程に先立ち行われるもので、数～数十ミリリットルの容量のシャーレ、フラスコ等の比較的小規模な設備で、抗体遺伝子の導入細胞と培地とを選定する工程である。初期実績データの培養条件データＸ１は、初期培養工程において実施される複数の処理の各々の条件の集合である。初期実績データの培養条件データＸ１は、具体的には、幡種密度、温度、攪拌速度、培地添加量、空気流量、酸素流量、二酸化炭素流量等である。また、初期実績データの培養結果データＸ２は、具体的には、細胞生存率、細胞数、生細胞数、細胞径、水素イオン指数（ｐＨ）、酸素濃度、二酸化炭素濃度、グルタミン酸濃度、ラクトース濃度、アンモニウム濃度、ナトリウムイオン濃度、カリウムイオン濃度、浸透圧、抗体濃度等である。
　図５に示すように、生産実績データは、生産培養工程における培養条件の実績を示す培養条件データＸ３、および培養条件データＸ３で細胞培養を行った培養結果の実績を示す培養結果データＹの組で構成される。生産実績データの培養条件データＸ３も、初期実績データの培養条件データＸ１と同様に、生産培養工程において実施される複数の処理の各々の条件の集合である。生産実績データの培養条件データＸ３は、初期実績データの培養条件データＸ１と同じで、幡種密度、温度、攪拌速度、培地添加量、空気流量、酸素流量、二酸化炭素流量等である。また、生産実績データの培養結果データＹは、初期実績データの培養結果データＸ２と同じで、細胞生存率、細胞数、生細胞数、細胞径、水素イオン指数（ｐＨ）、酸素濃度、二酸化炭素濃度、グルタミン酸濃度、ラクトース濃度、アンモニウム濃度、ナトリウムイオン濃度、カリウムイオン濃度、浸透圧、抗体濃度等である。
　図６において、作業者端末１０および細胞培養支援サーバ１１を構成するコンピュータは、基本的な構成は同じであり、それぞれ、ストレージデバイス３０、メモリ３１、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）３２、通信部３３、ディスプレイ３４、および入力デバイス３５を備えている。これらはデータバス３６を介して相互接続されている。
　ストレージデバイス３０は、作業者端末１０等を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージデバイス３０は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージデバイス３０には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。
　メモリ３１は、ＣＰＵ３２が処理を実行するためのワークメモリである。ＣＰＵ３２は、ストレージデバイス３０に記憶されたプログラムをメモリ３１へロードして、プログラムにしたがった処理を実行することにより、コンピュータの各部を統括的に制御する。
　通信部３３は、ネットワーク１２を介した各種情報の伝送制御を行うネットワークインターフェースである。ディスプレイ３４は各種画面を表示する。各種画面にはＧＵＩ(Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ)による操作機能が備えられる。作業者端末１０等を構成するコンピュータは、各種画面を通じて、入力デバイス３５からの操作指示の入力を受け付ける。入力デバイス３５は、キーボード、マウス、タッチパネル等である。
　なお、以下の説明では、作業者端末１０を構成するコンピュータの各部には添え字の「Ａ」を、細胞培養支援サーバ１１を構成するコンピュータの各部には添え字の「Ｂ」をそれぞれ符号に付して区別する。
　図７において、ウェブブラウザが起動されると、作業者端末１０のＣＰＵ３２Ａは、メモリ３１等と協働して、ブラウザ制御部４０として機能する。ブラウザ制御部４０は、ウェブブラウザの動作を制御する。ブラウザ制御部４０は、細胞培養支援サーバ１１からの各種画面の画面データを受け取る。ブラウザ制御部４０は、画面データに基づきウェブブラウザ上に表示する各種画面を再現し、これをディスプレイ３４Ａに表示する。
　また、ブラウザ制御部４０は、各種画面を通じて入力デバイス３５Ａから入力される様々な操作指示を受け付ける。ブラウザ制御部４０は、各種操作指示に応じた各種要求を細胞培養支援サーバ１１に対して発行する。操作指示には、指針情報の出力指示が含まれる。指針情報の出力指示を受け付けた場合、ブラウザ制御部４０は、指針情報の出力要求を細胞培養支援サーバ１１に対して発行する。
　図８において、細胞培養支援サーバ１１のストレージデバイス３０Ｂには、アプリケーションプログラムとして作動プログラム４５が記憶されている。作動プログラム４５は、細胞培養支援サーバ１１を構成するコンピュータを、細胞培養支援装置として機能させるためのアプリケーションプログラムである。すなわち、作動プログラム４５は、本開示の技術に係る「細胞培養支援装置の作動プログラム」の一例である。ストレージデバイス３０Ｂには、作動プログラム４５の他に、学習済みモデル４６および教師データ４７が記憶されている。
　作動プログラム４５が起動されると、細胞培養支援サーバ１１のＣＰＵ３２Ｂは、メモリ３１等と協働して、第１取得部５０、第２取得部５１、第１導出部５２、出力制御部５３、第３取得部５４、および第２導出部５５として機能する。
　機械学習の運用フェーズにおいて、第１取得部５０は、学習済みモデル４６をストレージデバイス３０Ｂから読み出し、学習済みモデル４６を取得する。第１取得部５０は、取得した学習済みモデル４６を第１導出部５２に出力する。
　運用フェーズにおいて、第２取得部５１は、作業者端末１０からの指針情報の出力要求を受け付ける。前述のように、指針情報の出力要求には初期実績データと仮培養条件データとが含まれる。このため、第２取得部５１は、指針情報の出力要求を受け付けることで、初期実績データと仮培養条件データとを取得する。第２取得部５１は、取得した初期実績データと仮培養条件データとを第１導出部５２に出力する。この第２取得部５１で取得して第１導出部５２に出力する初期実績データが、第１導出部５２が学習済みモデル４６を用いて解析する解析用の初期実績データである。
　また、機械学習の学習フェーズにおいて、第２取得部５１は、作業者端末１０からの初期実績データの登録要求も受け付ける。すなわち、第２取得部５１は、初期実績データの登録要求を受け付けることで、初期実績データを取得する。第２取得部５１は、取得した初期実績データを、ストレージデバイス３０Ｂに教師データ４７として登録する。この第２取得部５１で取得してストレージデバイス３０Ｂに登録する初期実績データが、学習用の初期実績データである。
　さらに、学習フェーズにおいて、第２取得部５１は、作業者端末１０からの生産実績データの登録要求も受け付ける。すなわち、第２取得部５１は、生産実績データの登録要求を受け付けることで、生産実績データを取得する。第２取得部５１は、取得した生産実績データを、ストレージデバイス３０Ｂに教師データ４７として登録する。この第２取得部５１で取得してストレージデバイス３０Ｂに登録する生産実績データが、学習用の生産実績データである。
　運用フェーズにおいて、第１導出部５２は、第１取得部５０において取得した学習済みモデル４６と、第２取得部５１において取得した解析用の初期実績データおよび仮培養条件データとから、指針情報を導出する。第１導出部５２は、導出した指針情報を出力制御部５３に出力する。
　運用フェーズにおいて、出力制御部５３は、第１出力制御部および第２出力制御部に相当し、第１導出部５２からの指針情報を出力する制御を行う。より具体的には、出力制御部５３は、ウェブ配信用の指針情報表示画面８０の画面データを生成する。そして、生成した指針情報表示画面８０の画面データを出力要求元の作業者端末１０に出力する。なお、出力制御部５３は、指針情報表示画面８０以外の各種画面の画面データの生成、作業者端末１０への出力も担う。
　学習フェーズにおいて、第３取得部５４は、教師データ４７をストレージデバイス３０Ｂから読み出し、教師データ４７を取得する。教師データ４７は、学習用の初期実績データと学習用の生産実績データとで構成される（図１０参照）。すなわち、第３取得部５４は、教師データ４７を取得することで、学習用の初期実績データと学習用の生産実績データとを取得する。第３取得部５４は、取得した教師データ４７を第２導出部５５に出力する。
　学習フェーズにおいて、第２導出部５５は、第３取得部５４からの教師データ４７に基づいて機械学習を行って、学習済みモデル４６を導出する。第２導出部５５は、導出した学習済みモデル４６をストレージデバイス３０Ｂに登録する。
　第３取得部５４における教師データ４７の取得、および第２導出部５５における学習済みモデル４６の導出は、例えば１カ月毎等の予め設定されたタイミングで行われる。もちろん、第３取得部５４における教師データ４７の取得、および第２導出部５５における学習済みモデル４６の導出を、作業者が指示したタイミングで行ってもよい。
　また、第３取得部５４における教師データ４７の取得、および第２導出部５５における学習済みモデル４６の導出は、教師データ４７のサンプル数が設定値を下回っている間は行われない。換言すれば、教師データ４７のサンプル数が設定値以上となってはじめて、第２導出部５５において学習済みモデル４６が導出される。なお、教師データ４７のサンプル数とは、図１０で示すレコードの数である。
　図９において、学習済みモデル４６は、医薬品α用、医薬品β用等、培養目的毎に導出される。
　学習済みモデル４６は、生産培養工程の培養結果データＹを目的変数とし、初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、生産培養工程の培養条件データＸ３を説明変数とするものである。第１導出部５２は、この学習済みモデル４６に、第２取得部５１からの解析用の初期実績データ、すなわち初期培養工程の培養条件データと培養結果データ、および仮培養条件データを入力して計算することで、予測培養結果データを導出する。なお、図９では、医薬品α用の学習済みモデル４６が示されている。このため、「Ｙα」等、各変数に添え字のαが付されている。
　図１０において、教師データ４７も、学習済みモデル４６と同様に、培養目的毎に登録される。教師データ４７において、初期培養工程から生産培養工程までの１回の細胞培養に対して１つずつ付された培養ＩＤで区切られた領域が１つのレコードを構成する。１つのレコードには、初期培養工程の培養条件データＸ１および培養結果データＸ２、すなわち学習用の初期実績データと、生産培養工程の培養条件データＸ３および培養結果データＹ、すなわち学習用の生産実績データとが登録される。つまり、教師データ４７は、学習用の初期実績データと学習用の生産実績データとで構成される。なお、図１０では、図９と同じく、医薬品α用の教師データ４７が示されている。各データのアンダーバーの後の数字は、培養ＩＤを示している。例えば培養ＩＤ「００１」の初期実績データの培養条件データは「Ｘ１α＿００１」と表される。
　学習用の初期実績データと学習用の生産実績データとは、例えば、作業者端末１０のディスプレイ３４Ａに表示される図示しない入力画面を介して、作業者により入力される。培養目的、培養ＩＤもこの際に入力される。入力画面は、細胞培養支援サーバ１１の出力制御部５３において生成されて作業者端末１０に出力される。そして、作業者端末１０のブラウザ制御部４０によりディスプレイ３４Ａに表示される。
　入力画面には、入力した学習用の初期実績データまたは学習用の生産実績データを細胞培養支援サーバ１１に送信する旨の指示を行う送信ボタンが設けられている。この送信ボタンが選択された場合に、ブラウザ制御部４０から細胞培養支援サーバ１１に対して学習用の初期実績データの登録要求または学習用の生産実績データの登録要求が発行される。
　学習用の初期実績データは例えば初期培養工程の終了時に、学習用の生産実績データは例えば生産培養工程の終了時に、それぞれ入力される。なお、初期培養工程と生産培養工程の間の中間培養工程における培養条件データおよび培養結果データは入力されず、したがって中間培養工程における培養条件データおよび培養結果データは教師データ４７には登録されない。
　図１１は、作業者端末１０のディスプレイ３４Ａに表示される、指針情報の出力要求を行うための入力画面６０の例である。入力画面６０は、細胞培養支援サーバ１１の出力制御部５３において生成されて作業者端末１０に出力される。そして、作業者端末１０のブラウザ制御部４０によりディスプレイ３４Ａに表示される。
　入力画面６０には、第１領域６１、第２領域６２、第３領域６３、第４領域６４、ＯＫボタン６５が設けられている。第１領域６１には培養目的の入力ボックス６６が、第２領域６２には初期培養工程の培養条件データＸ１の入力ボックス６７が、第３領域６３には初期培養工程の培養結果データＸ２の入力ボックス６８が、第４領域６４には生産培養工程の仮培養条件データの入力ボックス６９が、それぞれ設けられている。入力ボックス６７～６９がそれぞれ複数用意されているのは、図４および図５で示したように、初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、生産培養工程の培養結果データＹには、それぞれ複数の種類があるためである。
　第２領域６２の横には、参照ボタン７０が設けられている。参照ボタン７０は、事前に登録要求がなされて既に教師データ４７に登録されている初期培養工程の培養条件データＸ１を、入力ボックス６７に入力したい場合に選択される。参照ボタン７０が選択されると、教師データ４７に登録された初期培養工程の培養条件データＸ１が、培養ＩＤ等とともに入力画面６０上にリスト表示される。作業者は、リストの中から入力したい初期培養工程の培養条件データＸ１を選択する。すると、選択された初期培養工程の培養条件データＸ１が教師データ４７から読み出されて、入力ボックス６７に入力される。
　第３領域６３の横にも、参照ボタン７１が設けられている。参照ボタン７１も参照ボタン７０と同様に、既に教師データ４７に登録されている初期培養工程の培養結果データＸ２を、入力ボックス６８に入力したい場合に選択される。
　第４領域６４の横には、データセットボタン７２が設けられている。データセットボタン７２は、仮培養条件データとして、予め設定された複数の仮培養条件データを入力する場合に選択される。複数の仮培養条件データは、例えば、生産培養工程の培養条件データのうちの温度を２．５℃刻みで変更し、温度以外は同一とした５個のデータである。あるいは、複数の仮培養条件データは、生産培養工程の培養条件データのうちのある３種の値をランダムに変更し、ある３種以外は同一とした１０個のデータである。複数の仮培養条件データは、固定でもよいし、作業者が設定変更可能に構成してもよい。また、実験計画法に基づいて、複数の仮培養条件データを設定してもよい。
　入力ボックス６６に培養目的が、入力ボックス６７に初期培養工程の培養条件データＸ１が、入力ボックス６８に初期培養工程の培養結果データＸ２が、入力ボックス６９に生産培養工程の仮培養条件データがそれぞれ入力されてＯＫボタン６５が選択される。この場合、ブラウザ制御部４０から細胞培養支援サーバ１１に対して予測培養結果データの出力要求が発行される。
　入力ボックス６６に培養目的が、入力ボックス６７に初期培養工程の培養条件データＸ１が、入力ボックス６８に初期培養工程の培養結果データＸ２がそれぞれ入力され、データセットボタン７２が選択されてＯＫボタン６５が選択される。この場合、ブラウザ制御部４０から細胞培養支援サーバ１１に対して最良仮培養条件データの出力要求が発行される。
　図１２および図１３は、第１導出部５２における指針情報の導出過程を示す。図１２は予測培養結果データの導出過程、図１３は最良仮培養条件データの導出過程をそれぞれ示す。
　図１２は、入力ボックス６６に培養目的として医薬品αが、入力ボックス６７に初期培養工程の培養条件データＸ１α＿０１０が、入力ボックス６８に初期培養工程の培養結果データＸ２α＿０１０が、入力ボックス６９に生産培養工程の仮培養条件データＰＸ３αがそれぞれ入力された場合を示している。この場合、第１導出部５２は、医薬品α用の学習済みモデル４６であるＹα＝Ｆ（Ｘ１α、Ｘ２α、Ｘ３α）に、初期培養工程の培養条件データＸ１α＿０１０、初期培養工程の培養結果データＸ２α＿０１０、仮培養条件データＰＸ３αを入力して計算する。その結果、予測培養結果データＲＹαを得る。第１導出部５２は、この予測培養結果データＲＹαを、指針情報として出力制御部５３に出力する。
　図１３は、図１２と同じく、入力ボックス６６に培養目的として医薬品αが、入力ボックス６７に初期培養工程の培養条件データＸ１α＿０１０が、入力ボックス６８に初期培養工程の培養結果データＸ２α＿０１０がそれぞれ入力された場合を示している。ただし、図１３では、データセットボタン７２が選択されて、予め設定された１＿ＰＸ３α、２＿ＰＸ３α、・・・、５＿ＰＸ３αの計５つの仮培養条件データが入力された場合を示している。この場合、第１導出部５２は、仮培養条件データ１＿ＰＸ３α～５＿ＰＸ３αの各々について予測培養結果データを導出する。より具体的には、医薬品α用の学習済みモデル４６であるＹα＝Ｆ（Ｘ１α、Ｘ２α、Ｘ３α）に、初期培養工程の培養条件データＸ１α＿０１０、初期培養工程の培養結果データＸ２α＿０１０、仮培養条件データ１＿ＰＸ３αを入力して計算する。その結果、予測培養結果データ１＿ＲＹαを得る。同様にして、仮培養条件データ２＿ＰＸ３αを入力して計算して予測培養結果データ２＿ＲＹαを、・・・、仮培養条件データ５＿ＰＸ３αを入力して計算して予測培養結果データ５＿ＲＹαを、それぞれ得る。なお、図中も含めて、「・・・」の表記は、省略を意味する。
　続いて第１導出部５２は、仮培養条件データ１＿ＰＸ３α～５＿ＰＸ３αのうちで、予測培養結果データが最良の最良仮培養条件データＰＸ３αＢＥＳＴを選定する。図１３では、得られた予測培養結果データ１＿ＲＹα～５＿ＲＹαのうち、予測培養結果データ２＿ＲＹαが最良で、最良仮培養条件データＰＸ３αＢＥＳＴとして仮培養条件データ２＿ＰＸ３αが選定された場合を示している。より具体的な例を挙げると、第１導出部５２は、予測培養結果データＲＹとして抗体濃度を得て、抗体濃度が最も高い仮培養条件データＰＸ３を、最良仮培養条件データＰＸ３ＢＥＳＴとして選定する。第１導出部５２は、この最良仮培養条件データ２＿ＰＸ３αを、指針情報として出力制御部５３に出力する。
　図１４および図１５は、作業者端末１０のディスプレイ３４Ａに表示される指針情報表示画面８０の例を示す。指針情報表示画面８０は、細胞培養支援サーバ１１の出力制御部５３において生成されて作業者端末１０に出力される。そして、作業者端末１０のブラウザ制御部４０によりディスプレイ３４Ａに表示される。指針情報表示画面８０は、ＯＫボタン８１が選択された場合に表示が消える。
　図１４に示す指針情報表示画面８０は、指針情報として予測培養結果データＲＹα（ここでは抗体濃度）を表示した例である。より具体的には、「生産培養工程の培養条件を、入力された条件とした場合、生産培養工程の抗体濃度は、１５０ｍｇ／ｍｌとなる予測です。」という文章を指針情報として表示している。当該文章のうちの「１５０ｍｇ／ｍｌ」が、予測培養結果データＲＹαである。
　図１５に示す指針情報表示画面８０は、指針情報として最良仮培養条件データＰＸ３αＢＥＳＴを表示した例である。より具体的には、「仮培養条件１～５のうち、生産培養工程の培養結果が最良となるのは、仮培養条件２です。」という文章を指針情報として表示する。当該文章のうちの「仮培養条件２」が、最良仮培養条件データＰＸ３αＢＥＳＴである。なお、図１５に示す指針情報表示画面８０において、最良仮培養条件データＰＸ３ＢＥＳＴに加えて、最良仮培養条件データＰＸ３ＢＥＳＴの場合の予測培養結果データＲＹを表示してもよい。また、複数の仮培養条件データＰＸ３とその予測培養結果データＲＹをリスト表示し、最良仮培養条件データＰＸ３ＢＥＳＴは網掛けで表示する等して、他の仮培養条件データＰＸ３と区別して表示してもよい。
　指針情報表示画面８０には、指針情報の詳細を表示するための詳細ボタン８２が設けられている。図１４に示す指針情報表示画面８０において詳細ボタン８２が選択された場合、入力画面６０を介して入力された仮培養条件データＰＸ３αの詳細な内容等が表示される。図１５に示す指針情報表示画面８０において詳細ボタン８２が選択された場合、最良仮培養条件データＰＸ３αＢＥＳＴの詳細な内容等が表示される。
　図１６に示すように、第２導出部５５は、学習済みモデル４６を導出する機械学習の手法として、例えばニューラルネットワーク９０を用いる。ニューラルネットワーク９０は、一例として示すように、入力層、複数の中間層（隠れ層）、および出力層を含む。ニューラルネットワーク９０は、初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、生産培養工程の培養条件データＸ３から、生産培養工程の培養結果データＹをシミュレーションする推定モデルである。ニューラルネットワーク９０の入力層には、初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、生産培養工程の培養条件データＸ３の組が入力される。ニューラルネットワーク９０の出力層には、入力層に入力された上記データの組に対応する生産培養工程の培養結果データＹが出力される。
　第２導出部５５は、教師データ４７を用いて、機械学習の一例としての誤差逆伝播法にしたがって、ニューラルネットワーク９０を学習させる。具体的には、第２導出部５５は、教師データ４７の１つのレコードに含まれる初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、生産培養工程の培養条件データＸ３の組をニューラルネットワーク９０に入力し、ニューラルネットワーク９０から生産培養工程の培養結果データＹを出力させる。そして、第２導出部５５は、ニューラルネットワーク９０に出力させた生産培養工程の培養結果データＹと、教師データ４７に登録された実際の生産培養工程の培養結果データＹとの差が最小となるように、ニューラルネットワーク９０を学習させる。
　ニューラルネットワーク９０の出力値は、例えば、入力値に応じて各層の各ノードが出力する出力値の合計である。入力層、中間層、および出力層の各層の各ノードには、入力値に対する重みが与えられる。例えば、各ノードには、入力値と比較される閾値が設定される。この場合には、各ノードにおいては、各ノードへの入力値と閾値とを比較して、比較結果に応じて「０」か「１」の出力値が出力される。また、各ノードには、シグモイド関数が設定される場合もある。この場合には、入力値に応じて、「０」から「１」の間で出力値が変化する。各ノードの閾値またはシグモイド関数の係数が、各ノードに入力される入力値に対する重みとして与えられる。
　第２導出部５５は、ニューラルネットワーク９０に出力させた生産培養工程の培養結果データＹと、教師データ４７に登録された実際の生産培養工程の培養結果データＹとの差が最小となるよう、ノードの重みを変更する。第２導出部５５は、こうしてノードの重みを変更して、上記の差が最小となるように調整したニューラルネットワーク９０を、学習済みモデル４６としてストレージデバイス３０Ｂに登録する。
　以下、上記構成による作用について、図１７および図１８のフローチャートを参照して説明する。図１７は機械学習の運用フェーズ、図１８は機械学習の学習フェーズをそれぞれ示している。
　まず、図１７に示すように、細胞培養支援サーバ１１では、ストレージデバイス３０Ｂから第１取得部５０に学習済みモデル４６が読み出され、第１取得部５０において学習済みモデル４６が取得される（ステップＳＴ１００、第１取得ステップ）。学習済みモデル４６は、第１取得部５０から第１導出部５２に出力される。
　作業者端末１０では、図１１で示した入力画面６０が、ブラウザ制御部４０によりディスプレイ３４Ａに表示される。そして、入力画面６０を介して、培養目的、初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、生産培養工程の仮培養条件データＰＸ３が入力される。入力された各データは、指針情報の出力要求として細胞培養支援サーバ１１に送信される。これにより、第２取得部５１において、初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、すなわち解析用の初期実績データと、生産培養工程の仮培養条件データＰＸ３とが取得される（ステップＳＴ１１０、第２取得ステップ）。これら各データは、第２取得部５１から第１導出部５２に出力される。
　第１導出部５２では、図１２および図１３で示したように、予測培養結果データＲＹが導出される（ステップＳＴ１２０、第１導出ステップ）。より詳しくは、学習済みモデル４６に各データを入力して計算することで、予測培養結果データＲＹが導出される。予測培養結果データＲＹは、第１導出部５２から出力制御部５３に出力される。
　ステップＳＴ１１０で取得された仮培養条件データＰＸ３が複数であった場合（ステップＳＴ１３０でＹＥＳ）、第１導出部５２では、図１３で示したように、最良仮培養条件データＰＸ３ＢＥＳＴが選定される（ステップＳＴ１４０）。より詳しくは、ステップＳＴ１２０において、複数の仮培養条件データＰＸ３の各々について予測培養結果データＲＹが導出され、かつ複数の仮培養条件データＰＸ３の中から最良仮培養条件データＰＸ３ＢＥＳＴが選定される。最良仮培養条件データＰＸ３ＢＥＳＴは、第１導出部５２から出力制御部５３に出力される。
　出力制御部５３において、図１４および図１５で示した指針情報表示画面８０の画面データが生成される。指針情報表示画面８０の画面データは、出力制御部５３により、出力要求元の作業者端末１０に出力される（ステップＳＴ１５０）。
　作業者端末１０では、細胞培養支援サーバ１１からの指針情報表示画面８０が、ブラウザ制御部４０によりディスプレイ３４Ａに表示される。作業者は、指針情報表示画面８０に表示された指針情報を閲覧し、指針情報に沿って培養作業を進める。例えば図１５で示した指針情報表示画面８０が表示された場合、作業者は、仮培養条件２にて生産培養工程を開始する。
　初期培養工程と生産培養工程との関係性を示す学習済みモデル４６と、初期培養工程の培養条件データＸ１、初期培養工程の培養結果データＸ２、および仮培養条件データＰＸ３を用いて、第１導出部５２により生産培養工程の予測培養結果データＲＹを導出する。したがって、中間培養工程のデータがなくとも、生産培養工程の培養結果を予測することが可能となる。したがって、中間培養工程を実施する手間が省け、細胞培養における、初期培養工程から生産培養工程に至るまでの期間を大幅に短縮化することが可能となる。
　出力制御部５３により予測培養結果データＲＹを出力して、作業者の閲覧に供するので、作業者は、自分が入力した仮培養条件データＰＸ３で、予測培養結果データＲＹがどうなるかを簡単に知ることができる。
　また、第２取得部５１で複数の仮培養条件データＰＸ３を取得した場合は、第１導出部５２により、複数の仮培養条件データＰＸ３の各々について予測培養結果データＲＹを導出し、かつ複数の仮培養条件データＰＸ３のうちで最良仮培養条件データＰＸ３ＢＥＳＴを選定する。したがって、作業者は、最良仮培養条件データＰＸ３ＢＥＳＴを簡単に知ることができる。また、生産培養工程の培養条件を最良仮培養条件データＰＸ３ＢＥＳＴにしたがって設定すれば、比較的良好な培養結果データＹが約束されるので、医薬品の生産効率も向上する。
　図１８に示すように、細胞培養支援サーバ１１では、予め設定されたタイミングで、ストレージデバイス３０Ｂから第３取得部５４に教師データ４７が読み出され、第３取得部５４において教師データ４７が取得される（ステップＳＴ２００）。教師データ４７は、第３取得部５４から第２導出部５５に出力される。
　第２導出部５５では、図１６で示したように、教師データ４７によってニューラルネットワーク９０が学習させられ、これにより学習済みモデル４６が導出される（ステップＳＴ２１０）。学習済みモデル４６は、第２導出部５５により、ストレージデバイス３０Ｂに登録される（ステップＳＴ２２０）。
　このように、第３取得部５４により教師データ４７を取得し、教師データ４７に基づいて第２導出部５５により学習済みモデル４６を導出するので、常々更新される教師データ４７に応じて学習済みモデル４６も更新することができる。また、学習済みモデル４６を他のコンピュータから調達する手間を省くことができる。
　上記実施形態では、細胞培養支援サーバ１１のストレージデバイス３０Ｂに、学習済みモデル４６および教師データ４７を登録した例を示したが、これに限定されない。細胞培養支援サーバ１１とは別のデータベースサーバに、学習済みモデル４６および教師データ４７を登録しておき、データベースサーバから細胞培養支援サーバ１１に学習済みモデル４６および教師データ４７を送信してもよい。
　上記実施形態では、指針情報表示画面８０等の各種画面を、ウェブ配信用の画面データの形式で出力制御部５３から作業者端末１０に出力する態様を例示したが、これに限らない。作業者端末１０に各種画面を表示するためのアプリケーションプログラムをインストールしておき、出力制御部５３からは、各種画面の表示をアプリケーションプログラムに指示する指令を出力する態様でもよい。
　指針情報の出力形態は、上記実施形態の指針情報表示画面８０に限らない。指針情報を作業者端末１０に接続されたプリンタで印刷出力したり、指針情報を示すファイルを電子メールで作業者端末１０に送信してもよい。
　機械学習の手法はニューラルネットワーク９０に限らない。回帰木、分類木等の他の手法を用いてもよい。
　上記実施形態では、初期培養工程を、抗体遺伝子の導入細胞と培地とを選定する工程とし、生産培養工程を、抗体に基づく医薬品を生産する工程としたが、これに限らない。少なくとも生産培養工程が、初期培養工程よりも大規模な設備で行われる工程であればよい。
　細胞培養支援サーバ１１を構成するコンピュータのハードウェア構成は種々の変形が可能である。例えば、細胞培養支援サーバ１１を、処理能力、信頼性の向上を目的として、ハードウェアとして分離された複数台のサーバコンピュータで構成することも可能である。具体的には、第１取得部５０、第２取得部５１、第１導出部５２、および出力制御部５３の機能と、第３取得部５４および第２導出部５５の機能とを、２台のサーバコンピュータに分散して担わせる。この場合は２台のサーバコンピュータで細胞培養支援サーバ１１を構成する。
　上記実施形態では、予測培養結果データＲＹの出力制御と、最良仮培養条件データＰＸ３ＢＥＳＴの出力制御とを、１つの出力制御部５３に担わせているが、これに限らない。予測培養結果データＲＹを出力する制御を行う第１出力制御部と、最良仮培養条件データＰＸ３ＢＥＳＴを出力する制御を行う第２出力制御部とに分けてもよい。
　作業者端末１０に作動プログラム４５をインストールし、上記実施形態で細胞培養支援サーバ１１に構築した各処理部を作業者端末１０に構築して、作業者端末１０を細胞培養支援装置として稼働させてもよい。
　このように、コンピュータのハードウェア構成は、処理能力、安全性、信頼性等の要求される性能に応じて適宜変更することができる。さらに、ハードウェアに限らず、作動プログラム４５等のアプリケーションプログラムについても、安全性および信頼性の確保を目的として、二重化したり、あるいは、複数のストレージデバイスに分散して格納することももちろん可能である。
　上記実施形態では、細胞培養支援サーバ１１を１つの細胞培養ラボラトリーに設置し、１つの細胞培養ラボラトリー内で利用する形態としているが、細胞培養支援サーバ１１を複数の細胞培養ラボラトリーで利用可能な形態としてもよい。細胞培養支援サーバ１１を複数の細胞培養ラボラトリーで利用可能とするためには、細胞培養支援サーバ１１を、例えば、インターネットあるいは公衆通信網等のＷＡＮ（Ｗｉｄｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）を介して、複数の細胞培養ラボラトリーに設置される複数台の作業者端末１０と通信可能に接続する。そして、各作業者端末１０からの出力要求を、ＷＡＮを介して細胞培養支援サーバ１１で受け付けて、各作業者端末１０に対して指針情報を出力する。なお、この場合の細胞培養支援サーバ１１の設置場所および運営主体は、例えば細胞培養ラボラトリーとは別の会社が運営するデータセンタでもよいし、複数の細胞培養ラボラトリーのうちの１つでもよい。
　上記実施形態において、例えば、第１取得部５０、第２取得部５１、第１導出部５２、出力制御部５３、第３取得部５４、第２導出部５５といった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。各種のプロセッサには、上述したように、ソフトウェア（作動プログラム４５）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ＣＰＵ３２Ｂ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の組み合わせ、および／または、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、クライアントおよ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。
　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。
　以上の記載から、以下の付記項１に記載の発明を把握することができる。
　［付記項１］
　初期培養工程から、前記初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置であって、
　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、前記学習用の初期実績データに対応する学習用の生産実績データであり、前記生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、前記初期培養工程と前記生産培養工程との関係性を示す学習済みモデルを取得する第１取得プロセッサと、
　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、前記生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得プロセッサと、
　前記第１取得プロセッサにおいて取得した前記学習済みモデルと、前記第２取得プロセッサにおいて取得した前記解析用の初期実績データおよび前記仮培養条件データとから、前記生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出プロセッサと、
を備える細胞培養支援装置。
　本開示の技術は、上述の種々の実施形態と種々の変形例を適宜組み合わせることも可能である。また、上記実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。
　以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。
　本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。
　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 (8)

  1. 　初期培養工程から、前記初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置の作動プログラムであって、
    　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、前記学習用の初期実績データに対応する学習用の生産実績データであり、前記生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、前記初期培養工程と前記生産培養工程との関係性を示す学習済みモデルを取得する第１取得部と、
    　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、前記生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得部と、
    　前記第１取得部において取得した前記学習済みモデルと、前記第２取得部において取得した前記解析用の初期実績データおよび前記仮培養条件データとから、前記生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出部として、コンピュータを機能させる細胞培養支援装置の作動プログラム。
  2. 　前記予測培養結果データを出力する制御を行う第１出力制御部として、前記コンピュータを機能させる請求項１に記載の細胞培養支援装置の作動プログラム。
  3. 　前記第２取得部で複数の前記仮培養条件データを取得した場合、前記第１導出部は、複数の前記仮培養条件データの各々について前記予測培養結果データを導出し、かつ複数の前記仮培養条件データのうちで、前記予測培養結果データが最良の最良仮培養条件データを選定する請求項１または２に記載の細胞培養支援装置の作動プログラム。
  4. 　前記最良仮培養条件データを出力する制御を行う第２出力制御部として、前記コンピュータを機能させる請求項３に記載の細胞培養支援装置の作動プログラム。
  5. 　前記学習用の初期実績データと前記学習用の生産実績データとを取得する第３取得部と、
    　前記第３取得部において取得した前記学習用の初期実績データと前記学習用の生産実績データとに基づいて前記機械学習を行って、前記学習済みモデルを導出する第２導出部として、前記コンピュータを機能させる請求項１ないし４のいずれか１項に記載の細胞培養支援装置の作動プログラム。
  6. 　前記初期培養工程は、抗体遺伝子の導入細胞と培地とを選定する工程であり、
    　前記生産培養工程は、抗体に基づく医薬品を生産する工程である請求項１ないし５のいずれか１項に記載の細胞培養支援装置の作動プログラム。
  7. 　初期培養工程から、前記初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置であって、
    　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、前記学習用の初期実績データに対応する学習用の生産実績データであり、前記生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、前記初期培養工程と前記生産培養工程との関係性を示す学習済みモデルを取得する第１取得部と、
    　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、前記生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得部と、
    　前記第１取得部において取得した前記学習済みモデルと、前記第２取得部において取得した前記解析用の初期実績データおよび前記仮培養条件データとから、前記生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出部と、
    を備える細胞培養支援装置。
  8. 　初期培養工程から、前記初期培養工程よりも大規模な設備で行われる生産培養工程に至る細胞培養を支援するための細胞培養支援装置の作動方法であって、
    　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の初期実績データと、前記学習用の初期実績データに対応する学習用の生産実績データであり、前記生産培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される学習用の生産実績データとに基づいて機械学習を行い導出された、前記初期培養工程と前記生産培養工程との関係性を示す学習済みモデルを取得する第１取得ステップと、
    　前記初期培養工程における培養条件の実績を示す培養条件データおよび培養結果の実績を示す培養結果データの組で構成される解析用の初期実績データと、前記生産培養工程における仮の培養条件を示す仮培養条件データとを取得する第２取得ステップと、
    　前記第１取得ステップにおいて取得した前記学習済みモデルと、前記第２取得ステップにおいて取得した前記解析用の初期実績データおよび前記仮培養条件データとから、前記生産培養工程の培養結果データを予測した予測培養結果データを導出する第１導出ステップと、
    を備える細胞培養支援装置の作動方法。
PCT/JP2019/021822 2018-08-22 2019-05-31 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 Ceased WO2020039683A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP19851034.9A EP3819367A4 (en) 2018-08-22 2019-05-31 OPERATING PROGRAM FOR CELL CULTURE SUPPORT DEVICE, CELL CULTURE SUPPORT DEVICE AND OPERATING PROCEDURE FOR A CELL CULTURE SUPPORT DEVICE
JP2020538184A JP6956884B2 (ja) 2018-08-22 2019-05-31 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
US17/172,779 US12398361B2 (en) 2018-08-22 2021-02-10 Program for operating cell culture support apparatus, cell culture support apparatus, and method for operating cell culture support apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018155748 2018-08-22
JP2018-155748 2018-08-22

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/172,779 Continuation US12398361B2 (en) 2018-08-22 2021-02-10 Program for operating cell culture support apparatus, cell culture support apparatus, and method for operating cell culture support apparatus

Publications (1)

Publication Number Publication Date
WO2020039683A1 true WO2020039683A1 (ja) 2020-02-27

Family

ID=69592514

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/021822 Ceased WO2020039683A1 (ja) 2018-08-22 2019-05-31 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

Country Status (4)

Country Link
US (1) US12398361B2 (ja)
EP (1) EP3819367A4 (ja)
JP (1) JP6956884B2 (ja)
WO (1) WO2020039683A1 (ja)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021059577A1 (ja) * 2019-09-24 2021-04-01 富士フイルム株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
WO2021215179A1 (ja) * 2020-04-21 2021-10-28 富士フイルム株式会社 培養状態の推定方法、情報処理装置及びプログラム
JP2022057532A (ja) * 2020-09-30 2022-04-11 テルモ株式会社 細胞懸濁液の播種を最適化するためのシステム
JPWO2022168774A1 (ja) * 2021-02-08 2022-08-11
JPWO2022264640A1 (ja) * 2021-06-18 2022-12-22
WO2023033005A1 (ja) * 2021-08-31 2023-03-09 エピストラ株式会社 培養関連プロセス最適化方法及び培養関連プロセス最適化システム
WO2023189194A1 (ja) * 2022-03-31 2023-10-05 ソニーグループ株式会社 情報処理装置、情報処理方法およびプログラム
JP2023151557A (ja) * 2022-03-31 2023-10-16 国立大学法人 筑波大学 培養環境判定システム、培養装置、要求取得装置及びプログラム
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
WO2024090302A1 (ja) * 2022-10-26 2024-05-02 千代田化工建設株式会社 槽内の流体の状態を推定するための機械学習モデルを作成する方法、及び機械学習モデルを使用した槽内の流体の状態を推定する方法
EP4535098A1 (en) 2023-10-06 2025-04-09 Yokogawa Electric Corporation Apparatus, method, controller, cell culture system, and program
WO2025126978A1 (ja) * 2023-12-12 2025-06-19 千代田化工建設株式会社 学習済みモデル、推定装置および推定方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2022283577B2 (en) 2021-05-27 2024-10-24 Bühler AG Optimized industrial bioreactor and method thereof, with mutually dependent, coupled process control loops
EP4095626A1 (en) * 2021-05-27 2022-11-30 Bühler AG Optimized industrial bioreactor and method thereof, with mutually dependent, coupled process control loops

Citations (3)

* 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
WO2011021391A1 (ja) * 2009-08-19 2011-02-24 国立大学法人名古屋大学 培養細胞評価装置、インキュベータおよびプログラム
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007202500A (ja) * 2006-02-03 2007-08-16 Hitachi Ltd 培養槽の運転制御装置
US20210292704A1 (en) * 2015-11-04 2021-09-23 Thrive Bioscience, Inc. Method and system for cell operations using artificial intelligence
US11118154B2 (en) * 2015-11-04 2021-09-14 Thrive Bioscience, Inc. Networked incubator operation

Patent Citations (3)

* 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
WO2011021391A1 (ja) * 2009-08-19 2011-02-24 国立大学法人名古屋大学 培養細胞評価装置、インキュベータおよびプログラム
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 (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3819367A4

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021059577A1 (ja) * 2019-09-24 2021-04-01 富士フイルム株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
WO2021215179A1 (ja) * 2020-04-21 2021-10-28 富士フイルム株式会社 培養状態の推定方法、情報処理装置及びプログラム
JPWO2021215179A1 (ja) * 2020-04-21 2021-10-28
JP2022057532A (ja) * 2020-09-30 2022-04-11 テルモ株式会社 細胞懸濁液の播種を最適化するためのシステム
JP7545849B2 (ja) 2020-09-30 2024-09-05 テルモ株式会社 細胞懸濁液の播種を最適化するためのシステム
CN116830204A (zh) * 2021-02-08 2023-09-29 株式会社岛津制作所 估计装置、学习装置、优化装置、估计方法、学习方法以及优化方法
JP7589759B2 (ja) 2021-02-08 2024-11-26 株式会社島津製作所 推定装置
JPWO2022168774A1 (ja) * 2021-02-08 2022-08-11
WO2022168774A1 (ja) * 2021-02-08 2022-08-11 株式会社島津製作所 推定装置、学習装置、最適化装置、推定方法、学習方法、および最適化方法
WO2022264640A1 (ja) * 2021-06-18 2022-12-22 エピストラ株式会社 状態推定システム及び状態推定方法
JPWO2022264640A1 (ja) * 2021-06-18 2022-12-22
JP7572086B2 (ja) 2021-06-18 2024-10-23 エピストラ株式会社 状態推定システム及び状態推定方法
WO2023033005A1 (ja) * 2021-08-31 2023-03-09 エピストラ株式会社 培養関連プロセス最適化方法及び培養関連プロセス最適化システム
US12291754B2 (en) 2021-08-31 2025-05-06 Epistra Inc. Culture-related process optimization method and culture-related process optimization system
JP2023035238A (ja) * 2021-08-31 2023-03-13 エピストラ株式会社 培養関連プロセス最適化方法及び培養関連プロセス最適化システム
JP7417287B2 (ja) 2021-08-31 2024-01-18 エピストラ株式会社 培養関連プロセス最適化方法及び培養関連プロセス最適化システム
JP2023151557A (ja) * 2022-03-31 2023-10-16 国立大学法人 筑波大学 培養環境判定システム、培養装置、要求取得装置及びプログラム
WO2023189194A1 (ja) * 2022-03-31 2023-10-05 ソニーグループ株式会社 情報処理装置、情報処理方法およびプログラム
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
TWI876587B (zh) * 2022-10-13 2025-03-11 日商日立製作所股份有限公司 培養裝置之控制方法、及伴隨細胞培養之培養裝置之控制方法
WO2024090302A1 (ja) * 2022-10-26 2024-05-02 千代田化工建設株式会社 槽内の流体の状態を推定するための機械学習モデルを作成する方法、及び機械学習モデルを使用した槽内の流体の状態を推定する方法
EP4535098A1 (en) 2023-10-06 2025-04-09 Yokogawa Electric Corporation Apparatus, method, controller, cell culture system, and program
WO2025126978A1 (ja) * 2023-12-12 2025-06-19 千代田化工建設株式会社 学習済みモデル、推定装置および推定方法

Also Published As

Publication number Publication date
JP6956884B2 (ja) 2021-11-02
US12398361B2 (en) 2025-08-26
EP3819367A1 (en) 2021-05-12
EP3819367A4 (en) 2021-09-08
US20210163874A1 (en) 2021-06-03
JPWO2020039683A1 (ja) 2021-04-30

Similar Documents

Publication Publication Date Title
JP6956884B2 (ja) 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
Harrigan et al. MSMBuilder: statistical models for biomolecular dynamics
Batut et al. Community-driven data analysis training for biology
Fulcher et al. hctsa: A computational framework for automated time-series phenotyping using massive feature extraction
Blankenberg et al. Galaxy: a web‐based genome analysis tool for experimentalists
Morrell et al. The experiment data depot: a web-based software tool for biological experimental data storage, sharing, and visualization
Albert et al. Multivariate statistical monitoring of batch processes: an industrial case study of fermentation supervision
Gainer et al. The biobank portal for partners personalized medicine: a query tool for working with consented biobank samples, genotypes, and phenotypes using i2b2
WO2024077271A2 (en) Biosecure digital twin for cyber-physical anomaly detection and biological process modeling
US20170132357A1 (en) Platform for visual synthesis of genomic, microbiome, and metabolome data
US20210081825A1 (en) Program for operating cell culture support apparatus, cell culture support apparatus, and method for operating cell culture support apparatus
Zielhuis Biobanking for epidemiology
Ross et al. Complex systems: from chemistry to systems biology
JP2021502084A (ja) 小規模条件の性能に基づく大規模条件の性能のための生物の最適化
Chopda et al. Bridging the gap between PAT concepts and implementation: An integrated software platform for fermentation
Chen et al. Metabolic systems modeling for cell factories improvement
Sang-Aram et al. Unraveling cell–cell communication with NicheNet by inferring active ligands from transcriptomics data
Minarčík et al. Advanced supervision of smart buildings using a novel open-source control platform
He et al. Simultaneous forecasting of vital sign trajectories in the ICU
Musilova et al. Augusta: From RNA‐Seq to gene regulatory networks and Boolean models
Panjwani et al. Predictive modeling for cell culture in commercial manufacturing of biotherapeutics
Sun et al. C-IPLS–IKPLS for modeling and detecting nonlinear multimode processes
Zhu et al. A dynamic soft senor modeling method based on MW-ELWPLS in marine alkaline protease fermentation process
Nguyen et al. RCPA: An Open‐Source R Package for Data Processing, Differential Analysis, Consensus Pathway Analysis, and Visualization
Sudiarsa et al. Information System for Monitoring Production Process of Dried Kelor Leaf Dried Using the FAST Method

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: 19851034

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020538184

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2019851034

Country of ref document: EP

Effective date: 20210202

NENP Non-entry into the national phase

Ref country code: DE