JP6620100B2 - 合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム - Google Patents

合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム Download PDF

Info

Publication number
JP6620100B2
JP6620100B2 JP2016542997A JP2016542997A JP6620100B2 JP 6620100 B2 JP6620100 B2 JP 6620100B2 JP 2016542997 A JP2016542997 A JP 2016542997A JP 2016542997 A JP2016542997 A JP 2016542997A JP 6620100 B2 JP6620100 B2 JP 6620100B2
Authority
JP
Japan
Prior art keywords
matrix
data
sample
main solution
samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2016542997A
Other languages
English (en)
Other versions
JP2017504115A5 (ja
JP2017504115A (ja
Inventor
ホセ カルドーゾ−メネーゼス
ホセ カルドーゾ−メネーゼス
シュテファン ブジオール
シュテファン ブジオール
ペドロ フェリザルド
ペドロ フェリザルド
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.)
F Hoffmann La Roche AG
Original Assignee
F Hoffmann La Roche AG
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 F Hoffmann La Roche AG filed Critical F Hoffmann La Roche AG
Publication of JP2017504115A publication Critical patent/JP2017504115A/ja
Publication of JP2017504115A5 publication Critical patent/JP2017504115A5/ja
Application granted granted Critical
Publication of JP6620100B2 publication Critical patent/JP6620100B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/274—Calibration, base line adjustment, drift correction
    • G01N21/278—Constitution of standards
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00594—Quality control, including calibration or testing of components of the analyser
    • G01N35/00693—Calibration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N2035/0097—Control arrangements for automatic analysers monitoring reactions as a function of time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Description

本発明は、動的プロセス、特に、多成分混合、結晶化、蒸留、化学反応、および発酵の多変量検量法および多変量監視システムの開発において使用されるべき、そうしたプロセスを模倣することのできる粉末、液体、および懸濁成分を有する液体の合成多成分試料を調製するための方法に関する。詳細には、本発明は、多変量検量法および/または監視システムを開発するための方法に関し、より詳細には、そうした方法を走らせるためのコンピュータプログラムおよびシステムに関する。
工業プロセスのモニタリング、監視、および制御は往々にして困難で、時間を要する。というのは、これらのシステムが、レファレンス法による実験室化学・物理分析を必要とする複雑な多成分マトリックスを有するからである。さらに、これらの判定は往々にして、プロセスダイナミクスと比べて取得頻度が低く、非常に多くの時間とリソースを消費するオフライン法であり、プロセスのモニタリングおよび制御を許さない。
最近では、分光データの使用により、（化学的、物理的）品質管理が、実験室（オフライン）で決定されるのではなく、プロセスにおいて（インサイチュー）容易に入手する（オンライン）ことが可能になった。これらオンラインの多パラメータ法を使用すれば、プロセス軌道および（化学的、物理的）多パラメータ解析をほぼリアルタイムで決定することができることが判明している。これはレファレンス分析実験室法に優る大きな利点となりうる。というのは、分光センサがプロセス制御戦略の実施を可能としうるからである。
分光センサは、計量化学とも呼ばれる多変量データ解析の使用を介して、特定の化学パラメータまたは物理パラメータと、あるいは動的プロセスプロフィールとさえも関連させることのできる多次元測定を行う。これらの関連は、プロセスをモニタし、または監視するのに使用することができ、高度なプロセス制御の一部とすることのできる多変量検量法によって確立される。
分光センサは、レファレンス分析実験室法に優る利点を示すが、（線形または非線形）多変量検量法と呼ばれる、スペクトルデータと特定のパラメータとの関連を確立することのできるロバストな検量法の開発を必要とする。さらに、スペクトルデータは、多変量動的プロセスプロフィールを確立するためのいかなる特定のパラメータもなしで使用することができる。
多変量検量法は普通、インライン・プロセス・スペクトル・データ（X）およびプロセスから取り出され、次いでオフライン分析法によって分析される製造過程の試料（y）を用いて、または、直交実験計画によって準備された試料を用いて開発される。使用された多変量検量法のための方法を無視し、多変量検量法を構築するためのデータセットは、以下の必要条件を可能な限り満たす検量法の開発を可能にする試料の中からのデータを含むべきである。
スペクトル選択性
検量法は、検量される変量ごとに選択され、プロセスのいかなる段階においても変量を正確に予測し、変量の範囲外でさえも予測するべきである。
多様性
検量法データは、広範囲の条件に及ぶモデル有効性を保証するように可能な限り大きな多様性を含むべきである。マトリックス効果も含まれるべきである。マトリックス効果は、試料内のスペクトルに及ぼされる試料中の（既知および未知の）すべての成分の複合効果とみなすことができ、例えば、検量法のための異なる媒質溶液または混合中の異なる溶媒を考慮する。
均一性
検量法試料は、予期される検量範囲にわたって可能な限り均一な分布を有するべきである。これは、（モデルによって異常値試料とみなされることのある）極端な試料を回避することによって検量法の品質を高めることになる。
非相関性
パラメータ間の相関の存在は選択性の欠如を生じさせうる。
プロセス試料の使用は普通、分光センサのための多変量検量法の開発のための最も一般的な選択肢ではあるが、その背後にはいくつかの欠点がある。例えば、これらのプロセスからの試料は既知の化合物、場合によっては未知の化合物（多成分）の比較的複雑なマトリックスである。あるいは、例えば、プロセス変動なしでの多数の試料やプロセスが高い動的変化を示すときの少数の試料など、プロセスダイナミクスとサンプリング頻度とが一致しない。あるいは、有意なプロセス多様性を有するように多数の試料が必要とされる（複数のバッチまたは動作モードが必要とされる）。あるいは、多量のオフライン分析測定値が必要とされる。あるいは、検量法試料にパラメータのいくつかの間の高相関係数が存在する（反応プロフィール組成など）。あるいは、プロセスが数日間を要することもありうる（例えば発酵）。
これらの欠点または欠点のうちの少なくともいくつかを克服し、適切な検量法の必要な要求を可能な限り満たすように、統計文献から直接インポートされた直交実験計画が、非プロセス由来試料を生成するために提案されている。これらの計画は、すべての実験が独立しており、上述の必要条件を満たすことを保証するが、分光センサについてもたらす検量結果は一般に比較的不十分である。また、これらの計画は普通、3から5段階の変種しか有さず、これらのセンサの検量には不十分である。さらに、これらの直交法は、既知の測定可能な変種に使用することしかできず、これは、多量の未知の測定不能な変種が存在するプロセス試料を考察する場合には当てはまらない。
論文、「Analysis of pharmaceuticals by NIR spectroscopy without a reference method」 by Marcelo Blanco and Anna Peguero, Trends in Analytical Chemistry, Volume 29, Issue 10, November 2010, Pages 1127-1136（非特許文献1）では、医薬錠剤中の医薬品有効成分（active pharmaceutical ingredient（API））および添加剤を定量化するための検量法セットの構築に言及している。その作業手順は、適切な実験計画を使用して実験室試料のセットを調製すること、および医薬製造プロセスにおいて一連のNIRスペクトルを記録することを伴う。プロセススペクトルは、生産錠剤のNIRスペクトルと、APIおよび添加剤を通常濃度で含む実験室試料のNIRスペクトルとの間の差によって計算される。
論文、「Rapid calibration of near-infrared spectroscopic measurements of mammalian cell cultivations」 by M. R. Riley et al., Biotechnology Progress, vol. 15, no. 6, pages 1133-1141（非特許文献2）は、NIR分光検量法を生成するための手法に関するものであり、少数の実験的に収集されたスペクトルが、各々が分析物特異的情報と分析物非依存情報の両方を含む多数のシミュレーションスペクトルをもたらす計算処理手順への入力として使用される。
論文、「An Introduction to Multivariate Calibration and Analysis」 by K. R. Beebe et al., Anal. Chem., 1987, 59 （17）, pp 1007Α-1017Α（非特許文献3）は、多重線形回帰、主成分回帰、ならびに部分最小二乗を用いた多変量検量法および解析の概要に言及している。
論文、「Transfer of multivariate calibration models: a review」 by R. N. Feudale et al., Chemometrics and Intelligent Laboratory Systems, Volume 64, Issue 2, 28 November 2002, Pages 181-192（非特許文献4）は、検量法伝達に使用される様々な方法の概要およびそれらの方法の有効性および適用性の批判的評価に言及している。
論文、「The evolution of chemometrics」 by P.K. Hopke, Analytica Chimica Acta Volume 500, Issues 1-2, 19 December 2003, Pages 365-377（非特許文献5）は、化学、特に分析化学の一分野としての計量化学の発展が示されている。
論文、「Second- and third-order multivariate calibration: data, algorithms and applications」 by G. M. Escandar et al.（非特許文献6）は、増大する当分野の文献、最新の計器によって生成されている様々なデータ、および高次データを扱うことのできるアルゴリズムの普及に基づいて、二次多変量検量法および三次多変量検量法の論評に言及している。
したがって、そうしたプロセスの比較的正確で、ロバストな多変量検量法および多変量監視システムの開発において使用されるべき、動的プロセスを模倣することのできる合成多成分試料を調製するための方法が求められている。また、これらの検量法および監視システムを比較的正確でロバストなものにすることを可能にする方法も求められている。
「Analysis of pharmaceuticals by NIR spectroscopy without a reference method」 by Marcelo Blanco and Anna Peguero, Trends in Analytical Chemistry, Volume 29, Issue 10, November 2010, Pages 1127-1136 「Rapid calibration of near-infrared spectroscopic measurements of mammalian cell cultivations」 by M. R. Riley et al., Biotechnology Progress, vol. 15, no. 6, pages 1133-1141 「An Introduction to Multivariate Calibration and Analysis」 by K. R. Beebe et al., Anal. Chem., 1987, 59 （17）, pp 1007Α-1017Α 「Transfer of multivariate calibration models: a review」 by R. N. Feudale et al., Chemometrics and Intelligent Laboratory Systems, Volume 64, Issue 2, 28 November 2002, Pages 181-192 「The evolution of chemometrics」 by P.K. Hopke, Analytica Chimica Acta Volume 500, Issues 1-2, 19 December 2003, Pages 365-377 「Second- and third-order multivariate calibration: data, algorithms and applications」 by G. M. Escandar et al.
発明の開示
本発明の一目的は、少なくとも1つの合成多成分の生物工学および/または化学プロセス試料を調製するための方法を提供すること、ならびに動的プロセスまたは特定のプロセス工程またはその変形を模倣する合成試料のセットを調製するための合成試料レイアウト生成および試料取り扱いシステムを提供することである。本発明の別の目的は、前述の方法の各工程を行うためのコンピュータ実行可能命令を有する1つまたは複数のコンピュータ可読媒体を含むコンピュータプログラム製品を提供することである。
本発明の目的は、各独立請求項の特徴により解決される。各従属請求項は好ましい態様に関するものである。
以下でより詳細に述べるように、本発明は、特に、多変量曲線分解-交互最小二乗法（Multivariate Curve Resolution - Alternating Least Squares（MCR-ALS））を利用するものであり、MCR-ALSは、例えば、［3］に記載されているように、未知の未定の混合物における多成分反応の分解に一般に使用される計量化学法またはアルゴリズムである。MCR-ALS法またはアルゴリズムは、系組成を、分光測定、電気化学信号などといった多変量反応と関連させる双線形モデルを用いた多成分系の記述を目指すものである（例えば［3］参照）。
本発明による方法をよりよく理解し、説明するために、MCR-ALSアルゴリズムの簡単な説明を以下に示す。このアルゴリズムのより詳細な説明は［1］または［3］に記載されている。
MCR-ALS、双線形モデリング法は一般に、実験データマトリックスDを分解して2つの直交マトリックス、すなわち、普通は化学組成または混合物における溶液の量の変化と関連する元のデータマトリックスの各成分の変動寄与と関連付けられる「真」の純粋反応プロフィールと関連したマトリックスCと、例えば、計器尺度や分光変化といった観測データ変動と関連したマトリックスSTとの積にするのに使用される。シミュレーションは、交互最小二乗（Alternating Least Squares（ALS））アルゴリズムによって以下の式1を繰り返し解き、純粋反応プロフィールCと、実験データマトリックスDに最適に適合する観測される変動STとを計算し、モデルまたはアルゴリズムによって記述することのできない余りのマトリックスEを最小化する。
Figure 0006620100
この最適化手順は、ユーザが、モデルおよびCまたはSTの初期推定値で使用されるべきいくつかの成分を確立することを必要とし、これは、主成分分析、展開因子分析（EFA）もしくはSIMPLISMAといった計量化学法、または他の適切な方法を用いて達成することができる。
MCR-ALS法は多義的な方法であるため、制約条件実施のための反復手順を組み込むことがその多義性を低減させる、すなわち、実験データに同等によく適合する実効解の数を減らすための適切な選択肢となりうる。マトリックスCおよびマトリックスSTについて一般に使用される制約条件は、非負性、単峰性、閉包、三重線形性、選択性および/または公知の他の制約条件を含むことができる。そうした制約条件を含むことは、解かれるべき問題についての有意な物理的解または化学的解を見つけるのに役立つ。
MCR-ALSアルゴリズム最適化成績は、元のデータDとマトリックスCとマトリックスSTとの積の差として定義される不適合のパーセンテージ（式2）、モデル（式3）によって説明される分散のパーセンテージおよび余りの標準偏差（式4）によって評価される。以下の各式は、MCR-ALSアルゴリズムまたはモデルの成績をどのように計算すべきかを示すものである。
Figure 0006620100
式中、eijは、マトリックスDの位置ijのところの要素とMCR-ALSモデルまたはアルゴリズムからの推定値との差から獲得される余りであり、dijは、マトリックスDの位置ijのところの要素の値であり、nrowsおよびncolumnsは、マトリックスDの行数および列数を指定する。
特に、本発明は、動的プロセスまたは特定のプロセス工程またはその変形を模倣する合成試料のセットが調製される、ロバスト性の高いモニタリングシステムおよび/または多変量監視システム用の多変量検量法を開発するための、少なくとも1つの合成多成分の生物工学および/または化学プロセス試料を調製するための方法に関するものであり、本方法は、模倣されるべきであり、そのための合成試料のセットが調製されるべきである動的プロセスまたは特定のプロセス工程またはその変形の履歴プロセスデータを準備する工程;履歴プロセスデータのデータマトリックスDを作成する工程;データマトリックスDの複数の主溶液を決定する工程;データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるか判定する工程;必要な主溶液の分析物組成およびデータマトリックスDに対する必要な主溶液のそれぞれの相対量を決定する工程;ならびに、決定された分析物組成に従って必要な主溶液を組み合わせることによって少なくとも1つの試料を作成する工程、を含む。
好ましくは、少なくとも1つの試料を作製する工程は、組み合わされた必要な主溶液をそれらの決定されたそれぞれの相対量に従って混合する工程をさらに含む。
好ましくは、履歴プロセスデータを準備する工程は、データを特定のフォーマットに合わせて配置する工程、例えば、時間別にまたはプロセス展開に従ってソートする工程を含む。
好ましくは、少なくとも1つの試料を作製する工程は、少なくとも1つの試料を生成する工程、組み合わせる工程、混合する工程、および/または調製する工程を含む。
動的プロセスまたは特定のプロセス工程またはその変形の履歴プロセスデータは、例えば、動的プロセスまたは特定のプロセス工程におけるパラメータを測定することによって、動的プロセスまたは特定のプロセス工程の複数回の実施を平均することによって、文献などにおけるそうしたデータを収集することによって獲得することができる。
例えば、獲得された履歴プロセスデータは、動的プロセスまたは特定のプロセス工程またはその変形のデータマトリックスの解析的に決定された組成値を含むことができる。そうしたデータは、本方法を効率よく、場合によっては十分に行うことを可能にする。
動的プロセスまたは特定のプロセス工程またはその変形の獲得された履歴プロセスデータは、物理情報および/またはプロセス情報も含むことができる。
例えば、物理情報および/またはプロセス情報は、pH値、温度値などとすることができる。そうしたデータもやはり、本方法を効率よく、場合によっては十分に行うことを可能にする。
動的プロセスまたは特定のプロセス工程またはその変形の獲得された履歴プロセスデータは、プロセス時間に従って編成することもできる。履歴プロセスデータをそのように編成することにより、バッチもしくはフェド・バッチ・プロセス工程または連続プロセスの動的変化の場合には、特定のプロセス工程についての時間プロフィールを獲得することが可能になる。
動的プロセスまたは特定のプロセス工程またはその変形の獲得された履歴プロセスデータは、少なくとも1つのさらなる特定のプロセス工程の、類似したプロセス条件または異なるプロセス条件の下での該特定のプロセス工程の実験実施に対応するデータをさらに含むこともできる。このように、上述のMCR-ALSアルゴリズムにおいてマトリックスDとして使用することのできるデータマトリックスを形成することができる。
因数分解アルゴリズムを使用することにより、いくつの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるか判定することが可能になる。
所定の分散は、最適累積捕捉分散とすることができ、当業者、例えば計量化学専門家に公知の優良モデリング事例に従って設定することができる。例えば、所定の分散、すなわち累積捕捉分散は、95％から99％までの間であると設定することができる。言い換えると、データマトリックスDのいくつの主溶液が、所定の分散内で、この例では95％から99％までの間で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるかを判定することができる。
好ましくは、データマトリックスの分解、すなわち、いくつの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるかの判定には展開因子分析アルゴリズムが使用される。そうした判定は、関連する主溶液の数を効率よく選択することを可能にし、ほとんどのバッチ、半バッチ、および連続プロセスの動的変化といった自然順序のデータセットの場合に、動的プロセス、特定のプロセス工程またはその変形のどこでそれらの主溶液が出現し、または消滅するか判定する。
好ましくは、最適累積分散は、PCA、展開因子分析、または他の適切な方法といった因数分解法を用いたデータマトリックス分解内で決定され、最適累積捕捉分散は、事前定義範囲内になるか否か評価される。最適累積分散または累積捕捉分散をそうした範囲において決定することにより、本発明による方法において使用されなければならない多変量主溶液の最適数を獲得することが可能になる。最適累積捕捉分散が事前定義範囲内である場合、多変量主溶液の数の最適を獲得することができる。使用された因数分解法がそうした累積分散を捕捉することができない場合には、後述するようにデータマトリックスまたはマトリックスDをより小さいデータマトリックスへ分割することができ、これらの新しいデータセットを、本発明による方法のさらなる工程において使用することができる。よって、最適累積分散の事前定義範囲を、好ましくは94％より大、より好ましくは95％から99％とすることができる。最適累積捕捉分散を上記範囲において決定することにより、本発明による方法において使用されなければならない多変量主溶液の最適数を特に効率よく獲得することが可能になる。
好ましくは、主溶液の数の出現時間および/または主溶液の数の消滅時間は、展開分解法を用いたデータマトリックスの分解内で決定される。そうした出現時間または消滅時間は、本方法を効率よく行うことを可能にする。
必要な主溶液の分析物組成の初期推定およびデータマトリックスDに対する必要な主溶液のそれぞれの相対量の初期推定は、展開因子分析および/または最高純度試料/変量の決定によって決定することができる。展開因子分析の一例は［2］に記載されており、最高純度試料/変量の決定の一例は［4］に記載されている。
特に、データマトリックスDの複数の主溶液は、適切な計量化学法を用いて決定することができる。計量化学法は因数分解法とすることができ、特に、主成分分析（principal component analysis（PCA））、特異値分解（singular value decomposition（SVD））もしくは展開因子分析、および/または平行因子分析（parallel factor analysis（PARAFAC））、多変量曲線分解-交互最小二乗法（MCR-ALS）、展開因子分析とすることができる。
本発明の一態様によれば、本方法は、必要な主溶液の決定された分析物組成を含むマトリックスSを作成する工程;データマトリックスDに対する必要な主溶液の相対量を含むマトリックスCを作成する工程;ならびにマトリックス積C×STが所定の公差内でデータマトリックスDに対応するかどうか判定する工程、をさらに含む。
所定の公差は、当業者に公知の優良モデリング事例に従った値とすることができる。例えば、そうした公差は95％とすることができる。言い換えると、マトリックス積C×STが95％まで、または95％を上回ってデータマトリックスDに対応するかどうかが判定される。すなわち、対応するマトリックスエントリの偏差は5%以下とすることができる。
マトリックス積C×STが所定の公差内でデータマトリックスDに対応しない場合には、好ましくは、データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるか判定する工程;必要な主溶液の分析物組成および各必要な主溶液の相対量を決定する工程;マトリックスSを作成する工程;マトリックスCを作成する工程;マトリックス積C×STが所定の公差内でデータマトリックスDに対応するかどうか判定する工程、が繰り返される。例えば、所定の公差、例えば95％に到達していないと判定される場合、上記態様による前述の工程を、所定の公差が満たされるまで繰り返すことができる。上記公差で、巡回成績を評価することができる。
データマトリックスCを作成するための必要な主溶液の相対量および/またはマトリックスSを作成するための必要な主溶液の決定される分析物組成は、論理制約条件および/または物理制約条件および/または化学制約条件に基づいて選択されうる。例えば、制約条件は、分析物濃度を負とすることができないこと、すなわち非負性制約条件とすることができる。別の例は、各主溶液の相対量を決定するために、非負性制約条件が満たされるべきであり、すべての部分の和が1と等しくなるべきであること、すなわち閉包制約条件である。
本方法は、少なくとも2つの時点についてのマトリックスCに含まれる必要な主溶液の相対量を決定する工程;少なくとも2つの時点についての必要な主溶液の決定された相対量を用いて、マトリックスCに含まれる必要な主溶液の相対量と履歴プロセスデータのそれぞれの時間変数との間の回帰を行う工程;回帰に基づいて少なくとも2つの時点の間の少なくとも1つの他の時点についての必要な主溶液の相対量を推定する工程;ならびに、Cおよび少なくとも1つの他の時点についての推定された必要な主溶液を含む拡大時間依存マトリックスCaugを作成する工程、をさらに含むことができる。
好ましくは、本方法は、Caugに含まれる必要な主溶液を組み合わせる工程;および決定されたそれぞれの相対量に従ってCaugに含まれる必要な主溶液を混合する工程、を含む。
好ましくは、必要な主溶液の相対量を推定する工程は、少なくとも2つの隣接した値間の回帰を確立することによって未知の値を算出する工程を含む。
好ましくは、例えば制約条件が課されたMCR-ALSアルゴリズムによる、データマトリックスの逆畳み込み内の特定の時間における決定された数の主溶液についての各主溶液の相対量は、例えば、多変量曲線分解-交互最小二乗法アルゴリズムによって予測される各主溶液の相対量と、元のプロセスデータからの時間変数との間の回帰によって獲得することができる。時間変数は、相対的とすることも絶対的とすることもできる。回帰は、線形回帰とすることもでき、多項回帰とすることもでき、他の回帰とすることもできる。
よって、好ましくは、特定の時間における決定された数の主溶液についての各主溶液の多成分の相対量を有する混合物が獲得される。それらの混合物は、Cの行とすることができる。このコンテキストにおける特定の時間は、Dに含まれる動的プロセス、特定のプロセス工程、もしくはその変形、またはDiに含まれるそうしたプロセスの一部の開始と終了との間の任意の所与の時間とすることができる。（そうした手順の一例を以下の実施例1および実施例2で示す。） 混合物のそのような獲得は、MCR-ALSアルゴリズム自体よりも多くの試料の獲得を可能にする。よって、Cを拡大して、MCR-ALSアルゴリズムからと回帰手順から獲得される所与の時間についての各主溶液の量が組み合わされたCaugとすることができる。これにより、実験実施手順において実施されるべき試料数を増やすことが可能になる。
好ましくは、それらの数の主溶液の各々を、MCR-ALS結果負荷量マトリックスに従って決定された数の主溶液について各主溶液を組み合わせた後の既知のプロセス時間で加えることができる。特に、すべての主溶液がMCR-ALSアルゴリズムによって決定された特性で組み合わされた後で、添加動的プロセスまたは特定のプロセス工程またはその変形またはその一部を、既知のプロセス時間でのCaugによって決定される各主溶液の量の付加によって模倣することができる。Caugマトリックスは、p×nマトリックスとすることができ、pは、作製されるべき試料の数であり、ここでは、MCR-ALSアルゴリズム試料の数（マトリックスDの行数に等しい）と時間に対するCの回帰によって生成された試料の数との和とみなされ、nは、例えば、PCAや展開因子分析によって確立された主溶液の数である。よって、Caugの各行は、マトリックスD内の元の試料または時間に対するCの回帰から獲得される拡大された試料を再現するために混合されなければならない（その列において示される）各主溶液の相対量を指示することができる。行ごとに主溶液の量を混合することによって、完全なプロセスを模倣し、多変量検量法および監視システム開発のためのライブラリを構築するのに必要なすべての試料を再現することができる。そのために、例えば、後述する合成試料調製システムに含まれるような多変量解析機器、ほとんどは分光センサまたは任意の他のマルチチャネル計測器は、再現される試料の各々について測定を行わなければならないはずである。獲得される計測値（x）および試料組成（y）または時間（t）は、例えば、潜在構造への投影回帰（Projection into Latent Structures regression（PLS））を用いて多変量検量法を確立するために、または、監視システム、例えば多変量統計的プロセス管理（Multivariable Statistical Process Control（MSPC））を確立するために使用することができる。これらは、多変量検量法および監視システムに使用される比較的重要な方法であるが、本発明はこれら特定の方法だけに限定されない。さらに、本発明は線形多変量検量法だけに限定されるものでもない。事実、他の線形回帰法および非線形回帰法や、PCA、潜在構造への投影判別分析（Projection into Latent Structures Discriminant Analysis（PLS-DA））、クラス類似性のソフト非依存モデリング（Soft Independent Modelling of Class Analogy（SIMCA））他といった分類法のような、別の計量化学法も、このようにしてそうした試料の作製から利益を得ることができる。本発明による方法に基づき、判別法を開発することができる。例えば、予備知識に基づき、作製された試料を用いて判別法および/または分類法を開発するために、プロセスフェーズを確立することもできる。その場合、（例えば新しいプロセス実施からの）新しい試料をこれらの方法を用いて分類することができるはずである。
データマトリックスDは複数のデータマトリックスDiへ分割することができ、好ましくは、動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに限られた数の主溶液だけが使用できると判定され、限られた数の主溶液は所定の分散を下回る分散を示す場合には、各マトリックスDiは、データマトリックスDの作成の後に続く各工程で個別に処理される。例えば、主溶液の数は、自動化制御を備える2成分または3成分混合機器によって2または3に制限され、データマトリックスDは複数のデータマトリックスDiへ分割され、各マトリックスDiは、データマトリックスDの作成の後に続く各工程で個別に処理される。
好ましくは、このコンテキストにおける個別処理は、データマトリックスDiの各々がその他の部分行列Dから分離して扱われることを含む。
別の例として、主溶液の数が、実験による制限に従って手動で、例えば、3または4に設定される場合に、データマトリックスDは複数のデータマトリックスDiへ分割され、各マトリックスDiは、データマトリックスDの作成の後に続く各工程で個別に処理される。
別の例は、データマトリックスDの分割に使用されるモデルは所定の分散を捕捉することができないと判定されること、すなわち、動的プロセスまたは特定のプロセス工程またはその変形を模倣するように構成されるデータマトリックスDを記述するための主溶液の数が所定の分散を下回ると判定される場合である。本例では、マトリックスDを複数のデータマトリックスDiへ分割することができ、各マトリックスDiは、データマトリックスDの作成の後に続く各工程で個別に処理される。
したがって、データマトリックスは、複数のより小さいデータマトリックスとして分割することができ、複数のより小さいデータマトリックスの各データマトリックスは、PCA、展開因子分析、または他の適切な方法といった因数分解法を用いたデータマトリックスの分解の後に続く各工程で個別に処理される。上述のように、いくつかの複雑な状況においては、主溶液の数が、主混合物の数がそれぞれ2または3に制限される自動化制御を備える2成分または3成分混合機器のような自動的方法でも、主溶液の数をあまり多くすることのできない手動的方法でも、実験装置において実施するには実際的でない場合がある。これらの場合には、主溶液の数を実験的制限に従って手動で設定することができ、このため、完全なプロセスまたはプロセス工程を必要に応じてより小さい部分へ分割すること、すなわち、データマトリックスまたはマトリックスDをより小さいマトリックスDiへ分割せざるを得ない場合がある。そのため、最適累積分散が事前定義範囲内にならないと判定される場合には、データマトリックスを複数のより小さいデータマトリックスへ分割することができる。
履歴データは、動的プロセスもしくは特定のプロセス工程もしくはその変形の解析的に決定された組成値、物理情報、プロセス情報、類似した、もしくは異なるプロセス条件下でのプロセスの追加的な実験実行および/もしくはシミュレーション実行に対応する少なくとも1つのさらなるプロセス変動のデータのうちの少なくとも1つを含むことができ、かつ/または、履歴データは、プロセス時間に従ってマトリックスDにおいて編成される。
好ましくは、このコンテキストでの編成は、履歴データのソートを含む。
必要な主溶液を決定する工程および/または必要な主溶液の分析物組成を決定する工程および/またはデータマトリックスDに対する必要な主溶液の相対量を決定する工程は、適切な計量化学法、特に、因数分解法、特に、主成分分析（PCA）、特異値分解（SVD）、もしくは展開因子分析、および/または平行因子分析（PARAFAC）、多変量曲線分解-交互最小二乗法（MCR-ALS）、展開因子分析の各計量化学法のうちの少なくとも1つを用いて行うことができる。
本方法は、マトリックスDを前処理する工程、好ましくは、フィルタリングする工程、より好ましくは、Savitzky-Golayフィルタ、カーネルスムーザ、平滑化スプライン、移動平均、または加重移動平均のうちの少なくとも1つを用いる工程をさらに含むことができる。好ましくは、前処理は、計量化学前処理アルゴリズムの適用をさらに含む。
特に、データマトリックスまたはマトリックスDは、例えば、平滑化、平均センタリング、自動スケーリングなどの任意の適切なアルゴリズムを用いて前処理することができ、これらはすべて計量化学の分野において公知であり、使用されている。場合によっては、一方の点から他方の点までのデータの平滑化が推奨されうるはずであり、例えば、平滑化前処理法としてSavitsky-Golayフィルタアルゴリズムを使用することができる。これは、動的プロセスまたは特定のプロセス工程またはその変形を扱うときに重要となりうる。というのは、プロセスは、ある段階から別の段階へ突如移行するのではないからである。場合によっては、そうした前処理の使用は、データセットの全般的傾向と整合しない異常値点を最小化することを可能にする。この工程は、後続の工程において良好な結果を得るために重要なものとなりうる。データは前処理することができるが、特に、データが同じ単位の分析組成からのみなり、データセットに異常値が含まれない場合には、前処理が不要となる場合もある。
本方法は、共直線性分断法を用いてデータマトリックスDに含まれるパラメータ間または分析物間の共直線性を分断するように構成されている少なくとも1つの第2の試料を調製する工程をさらに含むことができる。
共直線性分断法は、好ましくは、直交実験計画の作成、少なくとも1つの試料中の特定の化合物の無作為のスパイキング、計画的スパイキング、試料の無作為の混合、またはこれらの任意の組み合わせ、のうちの少なくとも1つを含む。
好ましくは、無作為のスパイキングは、相関を分断するために無作為な量の既知の化合物を付加することを含む。導入されるべき化合物の量は計算処理によって決定することができる。
別の態様によれば、本方法は、試料を少なくとも1つの第2の試料とまとめることによって第3の試料を作製する工程をさらに含むことができる。
本発明は、動的プロセスまたは特定のプロセス工程またはその変形を模倣する合成試料のセットを調製するための合成試料生成システムおよび試料取り扱いシステムにも関するものである。本システムは、計算処理部と、混合部とを含み、計算処理部は、模倣されるべきであり、そのための合成試料のセットが調製されるべきである動的プロセスまたは特定のプロセス工程またはその変形の履歴プロセスデータを準備する手段と、履歴プロセスデータのデータマトリックスDを作成する手段と、データマトリックスDの複数の主溶液を決定する手段と、データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるか判定する手段と、必要な主溶液の分析物組成およびデータマトリックスDに対する必要な主溶液のそれぞれの相対量を決定する手段と、を含み、混合部は、必要な主溶液のうちのいずれかを混合するように構成されており、決定された分析物組成に従って必要な主溶液を組み合わせることによって少なくとも1つの試料を作製するように構成されている。
好ましくは、混合部は、決定された分析物組成に従って必要な主溶液を組み合わせ、それぞれの決定された相対量に従って組み合わせられた必要な主溶液を混合することによって、少なくとも1つの試料を作製するように構成されている。
計算処理部は、必要な主溶液の決定された分析物組成を含むマトリックスSを作成する手段と、データマトリックスDに対する必要な主溶液の相対量を含むマトリックスCを作成する手段と、マトリックス積C×STが所定の公差内でデータマトリックスDに対応するかどうか判定する手段と、をさらに含むことができる。
本システムは、少なくとも1つのセンサを有する測定機器をさらに含むことができる。よって、多くの動的プロセスに有用なパラメータを効率よく測定することができる。
測定機器の少なくとも1つのセンサは、動的プロセス、特定のプロセス工程もしくはその変形における少なくとも1つのパラメータをインサイチューで測定するように構成することができ、かつ/または、少なくとも1つのセンサは、pHプローブ、温度プローブ、分光センサ、もしくはマルチチャネル計測器のうちの少なくとも1つを含むことができる。
本システムは、少なくとも1つの温度制御構造および/または少なくとも1つのpH制御構造を含む少なくとも1つの制御機器をさらに含むことができる。そうした制御機器を用いて条件を定義し、調整することができる。よって、少なくとも1つの制御機器は、動的プロセスまたは特定のプロセス工程またはその変形の条件を再現するように適合されている。
少なくとも1つの制御機器は、好ましくは、動的プロセスまたは特定のプロセス工程またはその変形のそれぞれの条件を再現するように構成されている。
また少なくとも1つの制御機器は、共直線性分断法を用いてデータマトリックスDに含まれるパラメータ間または分析物間の共直線性を分断するように構成することもできる。
好ましくは、少なくとも1つの制御機器は、直交実験計画の作成、少なくとも1つの試料中の特定の化合物の無作為のスパイキング、計画的スパイキング、試料の無作為の混合、またはこれらの任意の組み合わせ、の各共直線性分断法のうちの少なくとも1つを用いて共直線性を分断するように構成されている。
本システムは、主溶液のうちの少なくとも1つおよび/または少なくとも1つの試料を分析するように構成された分析機器、をさらに含むことができる。
好ましくは、データマトリックスDに対する必要な主溶液のそれぞれの相対量を決定する手段は、少なくとも2つの時点についての必要な主溶液のそれぞれの相対量を決定するように構成されている。好ましくは、本システムは、少なくとも2つの時点についてのマトリックスCに含まれる必要な主溶液の決定された相対量を用いて、マトリックスCに含まれる必要な主溶液の相対量と履歴プロセスデータのそれぞれの時間変数との間の回帰を行う手段と、回帰に基づいて少なくとも2つの時点の間の少なくとも1つの他の時点についての必要な主溶液の相対量を推定する手段と、Cおよび少なくとも1つの他の時点についての主溶液の推定された必要な相対量を含む拡大時間依存マトリックスCaugを作成する手段とを、さらに含むことができる。好ましくは、混合部は、Sに含まれる必要な主溶液を組み合わせ、決定されたそれぞれの相対量に従ってCaugに含まれる必要な主溶液を混合するように構成されている。
また本発明は、前述の方法のうちの少なくとも1つの工程を行うためのコンピュータ実行可能命令を有する1つまたは複数のコンピュータ可読媒体を含むコンピュータプログラム製品にも関するものである。そうしたコンピュータプログラム製品は、本発明による方法を効率よく行い、それぞれの利益を達成することを可能にする。
特に、PCAや展開因子分析や他の適切な方法といった因数分解法を用いたデータマトリックスの分解は、動的プロセスまたは特定のプロセス工程またはその変形を完全に模倣するためにいくつの主溶液が必要であるか決定することを可能にする。よって、計量化学分野の当業者に公知の優良モデリング事例に従って因数分解法を使用することができる。
初期多成分分析物組成および/または主溶液ごとの相対量の推定は、例えば、上述のように、例えば［2］に記載されている展開因子分析、または、例えば［4］に記載されている最高純度試料/変量の決定によって達成することができる。特に、動的プロセスまたはプロセス工程またはその変形を模倣するのに必要な主溶液の数、ならびに最終的には、それらの出現および消滅の時間を決定した後で、そうした推定を初期推定として行うことができる。
初期推定および動的プロセスまたはプロセス工程またはその変形を模倣するのに必要な主溶液の数を用いて、データマトリックスDまたは後述するようなそのより小さい部分Diが、制約条件が課されたMCR-ALSアルゴリズムによって逆畳み込みされて、マトリックスDによって、または、プロセスの一部だけが模倣されるべきである場合には、Diによって記述される動的プロセスまたはプロセス工程またはその変形を模倣するために、使用されるべき主溶液の各々の多成分分析物組成および特定の時間におけるその相対量が獲得され、最適化される。よって、制約条件が課されたMCR-ALSアルゴリズムによるデータマトリックスの逆畳み込みは、データマトリックスによって記述される動的プロセスまたはプロセス工程またはその変形の模倣を可能にする。特に、MCR-ALS制約アルゴリズムは、上述の式1を反復して解くことができる。よって、例えば、MCR-ALS制約アルゴリズムを、本発明による方法において以下のように実施することができる。
第1に、PCAや展開因子分析や他の適切な方法といった因数分解法によって決定される主溶液の数を確立する。第2に、各主溶液の初期多成分分析物組成（第1の反復）および/または各主溶液の相対量を推定する。第3に、主溶液についての論理制約条件および物理/化学制約条件（例えば、分析物濃度は負ではありえないこと、すなわち非負性制約条件）に基づいて、主溶液中の分析物濃度（ST）を推定する。第4に、論理制約条件および物理/化学制約条件（例えば、非負性制約条件およびすべての部分の和が1と等しくなるべきであること、すなわち閉包制約条件）に基づいて、各主溶液の相対量（C）を推定する。第5に、反復成績を評価するために、上述の式2から式4を用いて、MCR-ALSアルゴリズムによって獲得された結果（C×ST）を元のデータマトリックス（DまたはDi）と比較する。第6に、反復成績が必要とされるほど高くない場合には、初期推定が変更され、上述の工程3から工程5が繰り返される。これは、MCR-ALSアルゴリズムの成績が、マトリックスDまたはDiで示される動的プロセスまたはプロセス工程またはその変形を模倣するのに適切なほどになるまで繰り返される。第7に、動的プロセス、プロセス工程もしくはその変形を模倣することのできる、またはその一部を模倣することのできる主溶液についての分析物濃度（ST）を完了すると、動的プロセス、プロセス工程もしくはその変形の所与の時間における各主溶液の量（C）が、DまたはDi内の実験データ点の各々について獲得される。
特定の時間における決定された数の主溶液についての各主溶液の相対量（C）を獲得することによって、データ点、すなわちデータマトリックス（D）の行の各々を、時間変数と関連させることができる。特定の時間は、元のプロセスデータからの相対時間変数または絶対時間変数によって表すことができる。特に、特定の時間は、データマトリックスに含まれる動的プロセスまたはプロセス工程またはその変形の開始と終了との間の任意の時間とすることができる。このように、データマトリックスDの各行と関連付けられた絶対時間変数または相対時間変数（t）に対する各主溶液の量（C）を表すことが可能である。これは、プロセスまたはプロセス工程を模倣することのできるシミュレーションデータ点の数を増やすことを可能にする。
MCR-ALS負荷量マトリックスは、STマトリックスとも呼ばれ、特にn×mマトリックスとすることができ、nは、例えば、PCAや展開因子分析や他の適切な方法といった因数分解法によって確立された主溶液の数であり、mは、動的プロセスまたは特定のプロセス工程またはその変形において測定されており、データマトリックスDに含まれる、分析組成、pH、温度などといった特性の数であり、例えば、mは、MCR-ALSアルゴリズムについては、マトリックスDの列の数に等しい。よって、STの各行は1つの主溶液であり、そうした行の各列は、データマトリックスまたはDマトリックスと同じ順序に従う濃度または他の特性である。MCR-ALSの主溶液を獲得するためには、溶液がMCR-ALSアルゴリズムによって確立された濃度および特性と一致するように溶液を組み合わせることが必要となる。すなわち、主溶液1（ST1、STの第1行）の結果が、化合物aについては濃度x、化合物bについては濃度y、化合物cについては濃度zであった場合には、溶液の濃度がST1ベクトルと等しくなるように、各化合物（x、yおよびz）の量を決定することが必要となる。別の装置においては、ST2（第2の主溶液およびSTマトリックスの第2行）が、MCR-ALSアルゴリズムで獲得された結果に従って組み合わせられることが必要となり、残りの主溶液についても同じである。そうした装置は、例えば、後述する合成試料調製システムに含めることができる。
上述のMRC-ALS法またはアルゴリズムの一般的用法と異なり、本発明による方法はMRC-ALSを逆のやり方で使用する。すなわち、本発明による方法のMCR-ALSは、例えば、時間に沿った特定の成分の組成といった既知のプロフィールから開始し、動的プロセスまたは特定のプロセス工程またはそうしたプロセスの一部またはその変形を、合成主溶液の混合物としてシミュレートすることができるものと仮定して、動的プロセスまたは特定のプロセス工程またはその変形を模倣することを可能にする必要な主溶液および混合物中のその相対量を見つける。
本発明による方法は、低度または高度の自動化を伴って、離散的に、フェドバッチで、または連続的に実行することができる。本発明について限定するものではないが、そうした実験実行のための装置は、何らかの種類の少なくとも1つの混合機器を含むはずであり、pHプローブ、温度プローブ、分光センサ、ならびに多変量検量法および監視システムを構築するのに使用することのできる他の分析機器といった、1つの、または好ましくは複数のセンサのインサイチュー測定を可能にするはずである。好ましい態様においては、この装置は、少なくとも温度制御システムおよびpH制御システムも有するはずである。またより好ましい態様においては、この装置は、多変量検量法および監視システムを構築するのに使用される多変量解析機器に影響を及ぼす可能性のある動的プロセスの条件または特定のプロセス工程の条件もしくはその変形の再現を可能にする適正な制御システムを有するはずである。
よって、本発明は、多変量検量法および監視システムを開発するのに使用することのできる、動的プロセス、特定のプロセス工程またはその変形を模倣する合成試料のセットを作製することからなる新しい方法を記述する。検量法モデルの正確さおよびロバスト性を向上させるために、無作為に、または計画的にスパイキングされた試料および直交実験計画法による試料の導入も記述される。新しい方法は、例えば、温度、pH、供給材料などのようなプロセスパラメータといった動的プロセス、特定のプロセス工程またはその変形の利用可能なデータ、ならびに分析物濃度、時間に沿った試薬および生成物の濃度といった品質管理データで表される動的プロセス、特定のプロセス工程またはその変形の予備知識を使用することと、そうしたデータを使用して、プロセスダイナミクスを模倣する合成試料を構築するのに使用することのできる混合物プロフィールを構築することとによって働く。このように、動的プロセス、特定のプロセス工程またはその変形を模倣することのできる合成多成分試料を調製する工程、および直交実験計画または無作為のスパイクもしくは計画的スパイクまたは試料の無作為の混合もしくは計画的混合を使用して検量法モデル成績を向上させる工程で構成される、上記の検量法開発の欠点を克服するための新規の方法を提供することができる。
本明細書で記述される方法は、プロセスダイナミクスを模倣する、すなわち、プロセス試料と同じ挙動を有する試料を考慮に入れる。そうした方法は、プロセスダイナミクス対サンプリング頻度に関連した問題に取り組むことができ、複数のバッチまたは動作モードを模倣することができるように多数の試料の作製を可能にし、必要とされる多量のオフライン分析を低減させ（主溶液が決定されさえすればよいため大幅に低減される）、複合系（例えば発酵）における検量法を開発するのに必要とされる時間を低減させる。しかし、この方法は、プロセスに存在する高度に相関するデータの問題を解決しない。
したがって、試料は、好ましくは、直交実験計画に従って調製され、レファレンス分析法によって決定された試料の物理特性の化学組成と関連させることのできる、分光その他の分析機器データが取得される。よって、本発明の本工程内で、データマトリックスDに存在するパラメータ間または分析物間の共直線性を分断することのできる新しい試料セットが作製される。これは、試料中の特定の化合物の無作為のスパイキングによって、または計画的スパイキングによって、完全な、もしくは部分的な要因計画またはD-最適計画を含みうる直交実験計画に従って試料を調製することによって達成することができる。そうした試料の導入により、プロセス模倣によって達成されない、モデルのロバスト性、正確さおよび選択性を向上させるための相関分断試料の作製が可能になる。これらの試料は、直交計画試料の場合には個別に調製されなければならない場合があり、無作為の試料または計画された試料の場合には既存の試料から構築することができる。試料調製後に、多変量解析機器を使用して、レファレンス分析法によって決定された試料の物理特性の化学組成（y）と関連させることのできるデータ（X）を取得することができる。
前述のように、無作為のスパイキングおよび計画的スパイキングは、既知の測定可能な変種だけに対応する。しかし、場合によっては、考慮に入れなければならない、若干の未知の相関または望ましくない相関も生じうるはずである。したがって、これらの相関を分断するために、合成試料またはプロセス試料の無作為の混合または計画された混合が推奨される。詳細な説明が実施例4に記載されている。
よって、動的プロセスまたは特定のプロセス工程またはその変形を模倣する合成多成分試料、および調製された試料は、好ましくは、ひとまとまりにされる。特に、それら2つのデータサブセット、すなわち、動的プロセスまたは特定のプロセス工程またはその変形を模倣する合成多成分試料と、共直線性分断試料とを、計量化学分野の当業者に公知の優良モデリング事例に従って成分の各々について、正確でロバストな多変量検量法を生成するように、ひとまとまりにすることができる。MSPC制御図表に基づく監視システムの開発については、動的プロセスまたは特定のプロセス工程またはその変形を模倣する合成多成分試料のみが使用される。
要約すると、本発明による方法は、以上および以下で詳細に説明されている一連の工程からなる。本発明によれば、以下および以上で主溶液と呼ぶ、スケール非依存多成分混合物を使用することにより、また、混合物において、以下および以上で溶液の相対量と呼ぶ、そうした溶液の異なる量を付加することにより、動的プロセスまたは特定のプロセス工程またはその変形を模倣することができるものと仮定する。
記述される方法は、プロセス規模から実験室規模へのスケールダウンを可能にし、レファレンス分析の量を低減させ、そうした多変量検量法および監視システムにおいて使用されるべきデータセットを作成するための時間量を減らすことによって、分光センサに基づいて多変量検量法および監視システムを開発するための時間およびリソースを大幅に低減させることを可能にする。さらに、本方法によって開発される多成分系は、分光センサに基づく、化学的特性（濃度、相対量、酸性度など）、物理的特性（細胞状態、密度など）および多変量プロセスプロフィールの推定を可能にする。
記述される方法では、反応プロフィール、混合プロフィールなどのプロセスダイナミクスに従うことができ、プロフィールは、時間と共に展開する傾向であるとみなされ、そうした傾向に従う試料を生成することができる。よって、本発明は、生成される試料上で記録されるスペクトルを用いて、これらの試料のうちの2つ以上を混合して、時間と共に展開するプロセストレンドを模倣する副試料を生成することによって、展開（バッチ）多変量統計制御チャート（多くの場合MSPCとも呼ばれる）を構築することを可能にする。
本発明では、実際の反応を行わせずに反応のスペクトル情報を模倣することのできる試料および副試料を作製することができる。
記述される方法および/またはシステムを用いれば、検量法を開発するためのスペクトルの数学的シミュレーションまたは計算処理シミュレーションを回避することができる。事実、スペクトルを取得するための、プロセストレンド（例えば反応プロフィール）を模倣する実際の複合試料が作製される。本方法は、時間の関数としてのプロセス展開を模倣する試料の作製を可能にするため、ユーザは、先行技術で開示されている方法を使用する場合よりはるかに多くの試料を構築することができ、分析負担量の低減から恩恵を受けることができる。
さらに、本方法は、化学的、物理的変動が模倣されることを可能にするため、計算処理/数学シミュレーションによってプロセスのスペクトルをシミュレートする必要がない。また、記述される方法は、プロセスによって課されるスペクトル非線形性を測定することも可能にし、他の干渉も考慮に入れる（例えば、発酵実施を行うことを必要とせずにプロセスにおいてそうした変動を導入するために発酵実施において異なる媒質を使用することができるはずである）。最終的には、実際の試料から取得されたスペクトルが使用され、アルゴリズムまたは計算処理法によってはシミュレートされない。よって、本方法は、提示されるモデルにおけるマトリックス効果の使用を可能にする。
好ましくは、このコンテキストにおけるマトリックス効果は、プロセス状態（すなわち、所与の時間における組成）の変化と関連させることのできないスペクトルの変化である。好ましくは、マトリックス効果は以下のうちの1つとすることができる。
1）組成が一定に保たれている間に通気により発酵における気泡の数が増加する。これは、NIRS測定値を変化させるが、化学組成とは関連していない。
2）化合物のうちのいくつかがプロセス試料において測定不能であり、それらの化合物に関する利用可能なプロセス履歴はないが、MIRスペクトルの変化が検出される。これもマトリックス効果としても設定される。
3）発酵槽体積の組成が供給材料によって変更されるが、分析データはそれを示さない（わずかな変化、複雑な組成をほとんど、またはまったく測定することができないなど）。これもマトリックス効果とみなされる。
本発明の利点の1つは、プロセスからの試料を用いてマトリックス効果を考慮に入れることができ、これらの不必要な効果がモデルから除去され、または少なくとも考慮に入れられるように無作為の混合を行うことができること、すなわちモデルのロバスト性の向上である。
さらに、本方法は、プロセス（例えば発酵実施）を模倣するのにいくつの主溶液が必要とされるか、すなわち、各主溶液の化学組成、および、プロセスまたはプロセス工程を模倣する合成試料を獲得するためのそうした溶液をどのように混合すべきかを判定することを可能にする。
要約すると、本発明による方法およびシステムは、化合物の各々に重み付けし、または溶解している化合物または混合物の体積を測定し、それらを溶媒（例えば媒質）中で希釈することにより、本発明による方法によって決定される濃度を獲得し、次いで、必要とされる体積の各主溶液を混合することにより、プロセス試料を模倣する合成試料を獲得することによって、プロセスおよびプロセスの変形を模倣することを可能にする。
また、本方法は、プロセスが、実際のプロセス工程ではなく溶液の混合物として模倣されることを可能にするため、サンプリング頻度をプロセスダイナミクスに適したものとすることが可能である。これは、プロセス試料のみに基づいて開発される検量法および監視システムに優る利点となりうる。というのは、これは、均一に分布したよりロバストな検量法の開発を可能にするからである。
加えて、本方法は実験室規模での履歴データに基づく試料/プロフィールの再現を可能にし、履歴データは工業において大規模に利用可能であるため、これは、構想から、プロセス展開および工業生産全体にわたる試料の全計画空間を含むことのできる、計画検量法および監視システムによる非常に厳密な品質の開発を可能にする。
このようにして生成される合成試料は、実際の製造過程の試料と同じ、パラメータのいくつかの間の高相関係数を有しうるものであり、それらの試料は、検量法開発のためのスペクトル選択性も非相関性必要条件も保証しない。よって、本方法の使用を、本発明で提案される直交実験計画試料または無作為のスパイキング試料/計画的スパイキング試料と組み合わせることができる。
そうした混合モデルの使用は、両方の方法の利点を結合することを可能にし、分光センサおよび計量化学に基づく正確でロバストな多変量検量法および監視システムの作成を可能にする。
本発明の上記その他の局面は、各態様および以下で説明される実施例から明らかになり、これらに関連して解明されるであろう。
以上を要約すると、本発明は、上述の分光測定（近赤外、中赤外、ラマン、2D蛍光、および他の分光法）に基づく多変量検量法およびモニタリングシステムの開発において通常見られる欠点に取り組むための方法に関するものである。
これらの欠点を克服するために、2つの異なるタイプの多成分試料（合成多成分試料および共直線性分断試料）を作製することが提案される。多変量検量法に両方の試料群を使用することは、より優れた正確さおよびロバスト性を保証するものであり、実際のプロセス試料を収集する必要がないため、本科学分野における革新的手法である。
よって、主な成果は以下のとおりである。
時間の短縮（14日間の発酵を2日間の作業に短縮することができる）、多変量検量法および監視モニタリング制御システムを開発するのに必要な分析リソースおよびヒューマンリソースの低減。
発酵およびスペクトル取得のシミュレーションを実験室規模で行うことができる（工業的動的プロセス、特定のプロセス工程またはその変形のスケールダウン）。
適切な試料頻度を作成すること（ダイナミクスが増加したプロセスの部分についてより多くの試料を作製すること）によるプロセスダイナミクスのより適切な記述。
混合モデルの使用が両方法の最善を保証し、発酵を含む、動的プロセスまたは特定のプロセス工程またはその変形の正確でロバストな多変量検量法および監視システムの作成を可能にする。
以上および以下においては、動的プロセスまたは特定のプロセス工程またはその変形を模倣するための革新的方法に統合された、いくつかの公知の計量化学法/アルゴリズムを使用する合成多成分試料の作製を説明する。また、特定の計量化学法の受け入れが、革新的なやり方でのこれらの試料の作製も可能にする。
あるシナリオにおいて特に適合性を有しうるはずの局面が、提案する方法に基づく監視システムの作成である。例えば、以下の実施例6は、本発明に従って作成される1つの可能な監視システムを例示するものである。この点は特に、スケールアップ（生物製剤プロセスの工業化の潜在的スピードアップ）の非常に重要な分野を切り開くことができる。
また、共直線性分断試料の作製も説明される。両方のタイプの多成分試料を使用した多変量検量法の開発は特に適合性を有しうるはずである。以下の実施例5は、本発明に従って作成される1つの可能な正確でロバストな多変量検量法を例示するものである。
[本発明1001]
ロバスト性の高いモニタリングシステムおよび/または多変量監視システム用の多変量校正を開発するための少なくとも1つの合成多成分の生物工学および/または化学プロセス試料を調製するための方法であって、動的プロセスまたは特定のプロセス工程またはその変形を模倣する少なくとも1つの合成試料が調製され、
模倣されるべきでありかつそのための少なくとも1つの合成試料が調製されるべきである動的プロセスまたは特定のプロセス工程またはその変形の履歴プロセスデータを準備する工程;
履歴プロセスデータのデータマトリックスDを作成する工程;
データマトリックスDの複数の主溶液を決定する工程;
データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるか判定する工程;
必要な主溶液の分析物組成および前記データマトリックスDに対する必要な主溶液のそれぞれの相対量を決定する工程;ならびに
決定された分析物組成に従って必要な主溶液を組み合わせることによって少なくとも1つの試料を作製する工程
を含む、方法。
[本発明1002]
必要な主溶液の決定された分析物組成を含むマトリックスSを作成する工程;
データマトリックスDに対する必要な主溶液の相対量を含むマトリックスCを作成する工程;
マトリックス積C×S T が所定の公差内でデータマトリックスDに対応するかどうか判定する工程
をさらに含む、本発明1001の方法。
[本発明1003]
マトリックス積C×S T が所定の公差内でデータマトリックスDに対応しない場合に、
データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるか判定する工程;
必要な主溶液の分析物組成および各必要な主溶液の相対量を決定する工程;
マトリックスSを作成する工程;
マトリックスCを作成する工程;
マトリックス積C×S T が所定の公差内でデータマトリックスDに対応するかどうか判定する工程
を繰り返す、本発明1002の方法。
[本発明1004]
データマトリックスCを作成するための必要な主溶液の相対量および/またはマトリックスSを作成するための必要な主溶液の決定される分析物組成が、論理制約条件および/または物理制約条件および/または化学制約条件に基づいて選択される、本発明1002または1003の方法。
[本発明1005]
少なくとも2つの時点についてのマトリックスCに含まれる必要な主溶液の相対量を決定する工程;
少なくとも2つの時点についての必要な主溶液の決定された相対量を用いて、マトリックスCに含まれる必要な主溶液の相対量と履歴プロセスデータのそれぞれの時間変数との間の回帰を行う工程;
回帰に基づいて少なくとも2つの時点の間の少なくとも1つの他の時点についての必要な主溶液の相対量を推定する工程;ならびに
Cおよび少なくとも1つの他の時点についての推定された必要な主溶液を含む拡大時間依存マトリックスC aug を作成する工程
をさらに含む、本発明1002〜1004のいずれかの方法。
[本発明1006]
データマトリックスDが複数のデータマトリックスDiへ分割され、かつ
好ましくは、所定の分散を下回る動的プロセスまたは特定のプロセス工程またはその変形を模倣するように構成されているデータマトリックスDの主溶液だけが決定されうると判定される場合に、各マトリックスDiがデータマトリックスDの作成の後に続く各工程で個別に処理される、
本発明1001〜1005のいずれかの方法。
[本発明1007]
履歴データが、動的プロセスもしくは特定のプロセス工程もしくはその変形の解析的に決定された組成値；物理情報；プロセス情報；類似したもしくは異なるプロセス条件下でのプロセスの追加的な実験実行および/もしくはシミュレーション実行に対応する少なくとも1つのさらなるプロセス変動のデータのうちの少なくとも1つを含み、かつ/または
履歴データが、プロセス時間に従ってマトリックスDにおいて編成される、
本発明1001〜1006のいずれかの方法。
[本発明1008]
必要な主溶液を決定する工程および/または必要な主溶液の分析物組成を決定する工程および/またはデータマトリックスDに対する必要な主溶液の相対量を決定する工程が、適切な計量化学法、特に以下の計量化学法：
因数分解法、特に、主成分分析（PCA）、特異値分解（SVD）、もしくは展開因子分析、および/または
平行因子分析（PARAFAC）、多変量曲線分解-交互最小二乗法（MCR-ALS）、展開因子分析
のうちの少なくとも1つを用いて行われる、本発明1001〜1007のいずれかの方法。
[本発明1009]
マトリックスDを前処理する工程、好ましくはフィルタリングする工程、より好ましくはSavitzky-Golayフィルタ、カーネルスムーザ、平滑化スプライン、移動平均、または加重移動平均のうちの少なくとも1つを用いる工程
をさらに含む、本発明1001〜1008のいずれかの方法。
[本発明1010]
共直線性分断法を用いてデータマトリックスDに含まれるパラメータ間または分析物間の共直線性を分断するように構成されている少なくとも1つの第2の試料を調製する工程
をさらに含む、本発明1001〜1009のいずれかの方法。
[本発明1011]
共直線性分断法が、直交実験計画の作成、少なくとも1つの試料中の特定の化合物の無作為のスパイキング、計画的スパイキング、試料の無作為の混合、またはこれらの任意の組み合わせのうちの少なくとも1つを含む、本発明1010の方法。
[本発明1012]
前記試料を前記少なくとも1つの第2の試料とまとめることによって第3の試料を作製する工程
をさらに含む、本発明1010または1011の方法。
[本発明1013]
計算処理部と、
混合部と
を含む、動的プロセスまたは特定のプロセス工程またはその変形を模倣する少なくとも1つの合成試料を調製するための合成試料レイアウト生成および試料取り扱いシステムであって、
計算処理部が、
模倣されるべきでありかつそのための合成試料のセットが調製されるべきである動的プロセスまたは特定のプロセス工程またはその変形の履歴プロセスデータを準備するための手段と、
履歴プロセスデータのデータマトリックスDを作成するための手段と、
データマトリックスDの複数の主溶液を決定するための手段と、
データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程またはその変形を模倣するのに必要であるか判定するための手段と、
必要な主溶液の分析物組成およびデータマトリックスDに対する必要な主溶液のそれぞれの相対量を決定するための手段と
を含み、
混合部が、必要な主溶液のうちのいずれかを混合するように構成されており、かつ決定された分析物組成に従って必要な主溶液を組み合わせることによって少なくとも1つの試料を作製するように構成されている、システム。
[本発明1014]
計算処理部が、
必要な主溶液の決定された分析物組成を含むマトリックスSを作成するための手段と、
データマトリックスDに対する必要な主溶液の相対量を含むマトリックスCを作成するための手段と、
マトリックス積C×S T が所定の公差内でデータマトリックスDに対応するかどうか判定するための手段と
をさらに含む、本発明1013のシステム。
[本発明1015]
少なくとも1つのセンサを有する測定機器をさらに含む、本発明1013または1014のシステム。
[本発明1016]
前記測定機器の少なくとも1つのセンサが、動的プロセス、特定のプロセス工程もしくはその変形における少なくとも1つのパラメータをインサイチューで測定するように構成されており、かつ/または、少なくとも1つのセンサが、pHプローブ、温度プローブ、分光センサ、もしくはマルチチャネル計測器のうちの少なくとも1つを含む、本発明1015のシステム。
[本発明1017]
少なくとも1つの温度制御構造および/または少なくとも1つのpH制御構造を含む少なくとも1つの制御機器をさらに含む、本発明1013〜1016のいずれかのシステム。
[本発明1018]
少なくとも1つの制御機器が、動的プロセスまたは特定のプロセス工程またはその変形のそれぞれの条件を再現するように構成されている、本発明1017のシステム。
[本発明1019]
少なくとも1つの制御機器が、共直線性分断法を用いてデータマトリックスDに含まれるパラメータ間または分析物間の共直線性を分断するように構成されている、本発明1016または1017のシステム。
[本発明1020]
少なくとも1つの制御機器が、以下の共直線性分断法：
直交実験計画の作成、少なくとも1つの試料中の特定の化合物の無作為のスパイキング、計画的スパイキング、試料の無作為の混合、またはこれらの任意の組み合わせ
のうちの少なくとも1つを用いて、共直線性を分断するように構成されている、本発明1019のシステム。
[本発明1021]
主溶液のうちの少なくとも1つおよび/または少なくとも1つの試料を分析するように構成された分析機器をさらに含む、本発明1013〜1020のいずれかのシステム。
[本発明1022]
本発明1001〜1012のいずれかの方法の各工程を行うためのコンピュータ実行可能命令を有する1つまたは複数のコンピュータ可読媒体を含む、コンピュータプログラム製品。
本発明による方法、コンピュータプログラムおよびシステムを、以下で、例示的態様により、添付の図面に関連してより詳細に説明する。
発酵時の分析物通路およびMCRモデルを示す図であって、四角（□）はオフラインデータを表し、連結された丸（-●-）は、本発明の第1の実施例（実施例1）のMCR-ALSモデルまたはアルゴリズムを表す図である。 図1-1の続きである。 図1-2の続きである。 図1-3の続きである。 図1-4の続きである。 図1-5の続きである。 図1-6の続きである。 図1-7の続きである。 データサブセット1内の溶液A1の部分プロフィール（●）および本発明の第2の実施例（実施例2）の二次多項式補間（--）を示す図である。 本発明の第2の実施例の合計で63回の実施におけるMCRベースの計画データ（黒点、●）および実験データ（ひし形、◇）についての分析物プロフィールを示す図である。 図3-1の続きである。 図3-2の続きである。 図3-3の続きである。 図3-4の続きである。 図3-5の続きである。 図3-6の続きである。 図3-7の続きである。 本発明の第3の実施例（実施例3）のグルタミン酸（GLU）と生成物（PRO）（Spk＝スパイキング）との間の線形相関を示す図である。 セクションAに、本発明の第5の実施例（実施例5）の1LVのNIRS生菌濃度モデル成績を示し、セクションBに、本発明の第5の実施例を用いて作製された試料を用いた4LVのMIRSグルコースモデル成績を示す図であって、黒点（●）は検量法データを表し、ひし形（◇）は外部の確認データを表し、点線（- - -）は1:1の対角線を示す図である。 図5-1の続きである。 セクションAに、第5の実施例からのNIRS VCDモデルで予測された発酵実施のオンラインモニタリングを示し、黒点（●）は発酵実施のオンライン予測を表し、ひし形（◇）はオフラインレファレンス分析を表し、セクションBに、第5の実施例からのMIRSグルコースモデルで予測された発酵実施のオンラインモニタリングを示し、黒点（●）は発酵実施のオンライン予測を表し、ひし形（◇）はオフラインレファレンス分析を表す図である。 図6-1の続きである。 発酵実施の多変量バッチプロフィール（黒点、●）および本発明の第6の実施例（実施例6）の履歴発酵プロフィール（丸、○）を模倣する合成多成分試料（丸、○）を示す図であって、セクションAにPC1スコアプロフィールが示されており、セクションBにPC2スコアプロフィールが示されている図である。 図7-1の続きである。 本発明の一態様による図である。
発明を実行するための態様
以下で、本発明の態様を具体例によって説明する。これらの例は例示のために提供するものであり、本願で特許請求される発明の範囲を限定するためのものではない。例示する物の任意の変形は本発明の範囲内に含まれるものである。
実施例1
実施例1は、合成多成分発酵試料に関するものである。多成分（複数分析物）複合系における本発明の一部の段階的な実施を、本実施例によってカバーされない他の系における本発明の使用に対していかなる制限も課さずに示すことが意図されている。
本発明の適用の1つの好例は、例えば、チャイニーズハムスター卵巣（Chinese Hamster Ovary（CHO））哺乳動物細胞培養として、フェドバッチ発酵を模倣するための本発明の使用である。そうしたフェドバッチ発酵は、細胞活性および、供給材料、供給率、pH、温度プロフィールなどといった課されるプロセス条件に応じて変動する多成分複合マトリックス分析物を含む。
これらの系はその本質においてかなり複雑であり、これらをモニタリングする必要は長い間、工業プロセスの不可欠な部分であった。というのは、これはさらなる自動化および高度な制御方式の導入を可能にするからである。近年、プロセス分析技術（process analytical technology（PAT））は、不十分なサンプリング頻度、および適時に利用することのできない（サンプリングと分析との間の時間がプロセス制御にとっては長すぎる）プロセスで必要とされる大量のオフライン分析測定値によるプロセスダイナミクス捕捉の欠如に全般的に関連した、プロセスモニタリングの欠点を克服するための駆動モータとして浮上してきている。
PATツールを、オンラインセンサ（近赤外、中赤外、2D蛍光、誘電分光、または任意の他の種類のオンラインセンサ）によって収集されたリアルタイムの多変量データに適用することにより、変動を識別/低減させ、プロセスリスクを管理し、プロセス情報を重要な品質特性（critical quality attributes（CQA））に関連させ、汚染の検出や、歩留まりの向上や、不純物変動性の低減や、そうしたプロセスのための高度なプロセス制御の実施といったプロセス改善機会を決定する効率のよい手段が提供される。PATツールは、大きな利点を有するが、検量法とも呼ばれる開発段階を必要とし、この段階で製造過程の試料はオンラインセンサによって測定されなければならず、標準分析法によって分析されるべき試料を抜き取ることができるが、場合によってはこの分析は不要である。普通、製造過程の試料は製造過程の条件において測定されなければならないが、以下の実施例には、実際のプロセスにおいてデータを収集することを必要とせずにプロセスダイナミクスを模倣するそうした多成分合成試料を作製するやり方を示す。
本実施例では、典型的なフェドバッチ発酵からの分析物プロフィールを、今後のバッチトレンドの基準として利用できるように、オフライン標準分析法によって測定し、ディジタル形式で記録した。本発明の例示のために、合成多成分混合物を用いてそうした発酵を再現するように、1つの培養パラメータ（生菌濃度）および7つの分析物プロフィール（グルタミン、グルタミン酸、グルコース、乳酸、アンモニア、生成物およびアスパラギン）を選んだ。
（工程1）第1の工程は、そうした履歴プロセスデータの評価/編成である。本実施例では、このデータセットは、生菌濃度（VCD）、グルタミン（GTF）、グルタミン酸（GLU）、グルコース（GLF）、乳酸（LAF）、アンモニア（NHF）、生成物（PRO）、およびアスパラギン（ASN）についての分析データ、ならびに、試料が発酵バッチから獲得された発酵時間（t）を含む。本実施例では、発酵は一定のpHおよび温度の下で実施されたため、物理パラメータを考慮しなかった。表1に、本発明のために提示される要件に従ってすでに順序付けされた本実施例について考察される正規化データマトリックスを示す。
（工程2）第2の工程では、データマトリックスDを表1で提供されるデータから作成する。列2から列9（VCDからASN）を使用し、14行（試料）8列（多成分分析物組成）のDマトリックスが得られ、次いでDマトリックスを、自動スケーリングデータ前処理を用いて前処理する。次いで結果として得られるデータマトリックスを、表1に示すプロセスダイナミクスを模倣するのに必要とされる主溶液の数を推定するために、主成分分析によって分析する。この場合、データセットの他の前処理技術は不要であったが、場合によっては、他の前処理アルゴリズムの使用が推奨されるはずである。
（表１）合成多成分発酵プロセス試料を作製するのに使用される正規化履歴プロセスデータ
Figure 0006620100
工程2からの前処理されたマトリックスデータDを、主成分分析を用いて分解した。これは、本発明において、動的プロセスまたはプロセス工程またはその変形を模倣するのに使用されなければならない多変量主溶液の最適数を獲得することを可能にする。最適数の成分を選択するために、PCAのための通常の優良モデリング事例を使用した。すなわち、成分数は、95%を上回るデータ変動の捕捉を保証すべきであり、1より大きい固有値を有する主成分だけを選択すべきである。よって、本実施例については、表2に示すように、3つの主成分を選択した。この成分数は、モデルによって捕捉されるデータの97.4％の発酵バッチプロフィールを記述するのに必要な主溶液の数の初期推定値と等しい。
（表２）前処理されたマトリックスデータDについての主成分分析結果
Figure 0006620100
PCAの結果として、3つの主溶液を使用してプロセスダイナミクスを模倣するための合成多成分試料を調製することができる。この数は大きすぎないが、そうした手順の実施には制限がある場合もあるであろう。よって、本実施例では、完全な発酵またはその部分を模倣するために主溶液の2成分混合物を使用することしかできなかったものと仮定する。表2に示すように、2つの成分だけを使用して完全な発酵実施を記述することは、PCAによって説明されない（最大20％まで）大量の変動をもたらし、元のデータ（分析物ごとのバッチプロフィール）からの逸脱する結果となる。よって、この場合（説明変動＜95％）には、動的プロセス（発酵）をそうしたプロセスのより小さい部分へ分割することが賢明である。例示のために、本実施例では、2つの主溶液だけを使用して完全な動的プロセスの部分を記述する。結局は、本実施例の完全なバッチランをシミュレートするために、その小さい部分の各々を実施し、最後にそれらのデータセットをひとまとまりにすることが必要である。
2つの主溶液だけを用いて模倣することのできる発酵プロセスのより小さい部分を獲得するために、マトリックスDを、PCAアルゴリズムを用いてであるが、今度はより少数の試料（まず3つ）から開始して再度分析した。代替として、展開因子分析を使用して動的プロセスの変化をより自動的なやり方で識別することもできる。3つの試料を、PCの数を2に固定することによって分析し、説明分散が95％より大である場合には、データセットに別の試料を加えた。捕捉分散が95％を下回ったときにこの手順を停止した。このときに、n-1反復が、元のDマトリックスの第1のサブセットについての最善の間隔とみなされる。発酵プロフィールの連続性を維持するために、データの第2のサブセットは、先のサブセットが終了するのと同じ点から開始する。手順は、完全な発酵実施がカバーされるまで、第2の間隔、第3の間隔、および他の必要な間隔を見つけるために反復される。本実施例についてそうした手順で獲得される結果は、表3に示す4つのデータサブセットを含む。
（表３）2つの主溶液だけを用いて発酵実施を記述するのに必要なデータサブセット
Figure 0006620100
（工程3）発酵実施の各部分についての主溶液の数を確立した後で、本発明に含まれるMCR-ALSアルゴリズムは、多成分分析物組成および各主溶液の相対量の初期推定を必要とする。［4］に基づいて最高純度試料の決定を初期推定に使用した。この推定は、主溶液の初期含有率は1（または100％）に可能な限り近く、他方の主溶液は0（または0％）に可能な限り近いものと仮定する。
（工程4）PCA手順によって固定された主溶液の数および初期推定セットを用いて、MCR-ALSアルゴリズムを使用して、発酵バッチランを模倣するのに必要な主溶液組成およびそれらの混合プロフィールを抽出することができる。有意な溶液を獲得するために、以下の3つの論理制約条件を使用した。
各溶液の部分（またはパーセント）についての非負性制約条件、すなわち、各溶液の相対量は0以上でなければならない。
各溶液における分析物濃度および細胞パラメータについての非負性制約条件、すなわち、各分析物または細胞パラメータの量は0以上でなければならない。
各主溶液の相対量についての閉包制約条件、すなわち、主溶液1と主溶液2との相対量の合計は、1（または100％）の発酵槽溶液に等しい。
（工程5）データサブセットの各々についてのMCR-ALSアルゴリズムからの結果を獲得した。これらの結果を表4および表5に示す。各主溶液の相対量はMCR-ALSアルゴリズムのスコアで記述されており（表4）、各主溶液の多成分分析物組成はMCR-ALSアルゴリズムの負荷量によって記述されている（表5）。
（表４）発酵実施バッチを模倣するための溶液の相対量
Figure 0006620100
（工程6）MCR-ALSアルゴリズム推定を、上記式1に記載されるように、元のデータ（マトリックスD）に含まれる各分析物のバッチプロフィールおよび溶液の相対量（表4）を主溶液中の分析物の濃度（表5）で乗算することによって獲得されるMCR-ALS推定値をプロットすることによって評価した。図1に示すように、MCR-ALSモデル成績は、そうした主溶液およびそれらの部分を生成するのに使用されるオフラインデータに非常に類似している。よって、MCR-ALSアルゴリズムは、本実施例に記載される動的プロセスと同様の動的プロセスを模倣するのに使用することができる
（表５）主溶液中の分析物の正規化濃度
Figure 0006620100
シミュレーション混合物ごとの決定された濃度プロフィールは元の実験データセット（図1）と比較され、本発明は複雑な多成分プロセスを模倣するのに使用することができることが証明される。さらに、統計測定値を使用したMCR-ALSモデルの評価（表6）により、このモデルが、オフライン法に関連付けられる誤差と同程度のものであるRMSEP値を示す分析物濃度を正確に予測することが示される。
（表６）正規化された分析物およびMCR-ALSモデルによって予測された培養パラメータについての分析法のRMSEPおよび標準偏差
Figure 0006620100
実施例2
実施例2は、プロセスダイナミクスのよりよい捕捉のために合成多成分発酵試料の数を増やすことに関するものである。
動的プロセスにおけるオフライン測定の欠点の1つは、特定の分析物の変動と比べて、測定に使用可能な試料の量が低いことである。
これは、センサの中でも特に、近赤外分光法や中赤外分光法といったオンラインセンサを扱う場合に非常に重要である。よって、本実施例では、実施例1で提供される溶液の一部を使用して、プロセス工程を模倣するのに使用することのできる試料の数を増やす。これは、プロセスのいくつかの部分において非常に明確なプロフィールが必要である場合に、特に、アンダーサンプリングされるプロセスフェーズにおいて試料数を増やすために、非常に有用である。そうしたアンダーサンプリングの好例が図1のGTFプロフィールに示されている。図示のように、この分析物のデータの主要変動は、第1のデータサブセット間隔（0.06時間単位から0.35時間単位まで）の間は限られており、測定が利用可能なデータのみを用いて行われた場合には、実施例1において試料数は5まで低減するはずである。よって、0.06時間単位と0.35時間単位の間の試料の作製は、オンラインセンサのための検量法の開発に役立ちうる。というのは、これにより、遷移がより適切に捕捉されること、および変動を伴う試料の数が均一であることが保証されるからである。
データサブセット1に関する獲得された主溶液相対量および元のデータマトリックスDからの対応する発酵時間（時間単位）を用いて、各主溶液相対量を、「相対量プロフィール」、すなわち、時間に対して表された相対量として表すことが可能である（図2）。その表現から、特定の時間についてのこの溶液の量を推定するのに使用することのできる二次多項式を獲得することが可能である。そのため、試料数を増やすためには、模倣されるのに必要な発酵時間を確立しさえすればよい。これは2成分系であり、混合部分の総量は1でなければならないため、溶液B1の量を1とA1溶液の相対量から差として計算することができる。
本実施例に記載される方法を用いれば、ユーザの必要に従って試料数を増やすことができる。さらに、これは2成分系だけに限定されず、溶液の数がより大きいより複雑な系において試料数を増やすのに使用することができる。
試料数の増加を、本発明の実施例1で示される他のデータサブセットに対しても行った。MRC-ALSデータおよび本発明の本工程で獲得された増加データ点を使用して、履歴発酵バッチを模倣する合成試料を作製した。第1のデータサブセット（溶液A1および溶液B1）についての各溶液の相対量の一例を表7に示す。
（表７）発酵実施バッチを模倣するための溶液の相対量
Figure 0006620100
このプロセスを実施例1に示すその他のデータサブセットへ拡張し、各溶液（A1、A2、A3、A4、B1、B2、B3およびB4）を組み合わせ、当該の特定の時間についての各主溶液の決定された量を混合することによってプロセスダイナミクスを再現することによって本方法を実験した。
この実験実施を、元のデータ（マトリックスD）に含まれる各分析物のバッチプロフィールおよび上述の試料を作製することによって獲得されたプロフィールをプロットすることによって評価した。図3に示すように、本方法で生成された試料は、発酵バッチの分析物プロフィールを再現する。よって、本方法は、動的プロセスを模倣すると共に、元のデータセット（マトリックスD）からの試料数を増やすのに使用することができる。
実施例3
実施例3は、検量法モデルをより正確でロバストなものにするようにデータ試料を作製することに関するものである。
これまで提示した実施例は、プロセスダイナミクスを表すにすぎず、よって、プロセス試料と同じ挙動を有する。発酵プロフィールは、細胞基質と代謝産物との間の代謝誘導された濃度相関を必然的に保持する。事実、オフラインデータ（表1）に示される分析物の相関を分析すると、これらの相関が明らかであることが示される。実施例1および実施例2によって生成されたデータは発酵プロフィールを完全に模倣するため、相関もそれらの合成多成分試料によってさらに保持されることも予期される。表8に示すように、いくつかの分析物および培養パラメータは、高い相関（0.8<｜R｜<1）、中程度の相関（0.6<｜R｜<0.8）またはわずかな相関（0.5<｜R｜<0.6）を示し、他の分析物はまったく相関を示さない（｜R｜<0.5）。これらのうちの、高度に相関する分析物および培養パラメータプロフィールは選択性の欠如を伴う検量法につながる可能性があり、よって、新しいバッチが異なるプロフィールを示す場合にうまく働かない可能性のある間接的な検量法が作成される。よって、本発明は、データマトリックスDに存在するパラメータ間または分析物間の共直線性を分断することのできる新しい試料セットを作製する工程を含み、試料の作製が、分光センサのロバストで正確な検量法の開発に含まれることを可能にする。
（表８）実施例1および実施例2で生成された試料についてのデータ相関分析マップ。グレーの網掛け-自己相関（R＝1）、高い相関（0.8＜｜R｜＜1）、中程度の相関（0.6＜｜R｜＜0.8）、わずかな相関（0.5＜｜R｜＜0.6）、低相関または相関なし（0＜｜R｜＜0.5）。
Figure 0006620100
そうした試料の調製は、それだけに限らないが、直交実験計画、試料中の特定の化合物の無作為のスパイキング、または計画的スパイキングによるものを含むいくつかのやり方で行うことができる。本実施例では、発酵プロフィールの共直線性を分断するために計画的スパイキングを実施するやり方を例示する。これらの計画的スパイキング試料は、表8を見て、高い相関を示す分析物の対を探すと、例えば、生成物（PRO）とグルタミン酸（GLU）との相関を含む。図4に示すように、この線形相関は、生成物（PRO）の量に対するグルタミン酸（GLU）の量のプロットとして示すことができる。
そうした相関を分断する1つのやり方は、線形相関を維持する試料を使用し、それらの試料を分析物のうちの1つでスパイキングし、その他の試料を一定の値に維持するものである。この手順は、分析物の対間の相関を分断することになる。そうしたスパイクの導入により、線形傾向によって示される（図4にSpk1として示す）そうした相関を分断し始める新しい試料を作製する。図4に示すように、スパイクの数を増やすことにより、発酵実施からは入手できない試料と、GLU対PROの組み合わせの計画空間を完全にカバーする試料、すなわち、低含有率のGLUおよび高含有率のPROを有する試料、ならびに高含有率のGLUおよび低含有率のPROを有する試料とを生成することができる。また、この手順は、図4のいくつかのレベルで行うこともできる。すなわち、すべての試料が低レベルのGLUおよびPROを有する試料から調製される必要はなく、例えば、試料上の既知の量の各分析物を中程度の値のGLUおよびPRO（500から600までの範囲内のGLUおよびPRO）でスパイキングすることによって、またはより高い値のGLUおよびPROでスパイキングすることによってさえ、いくつかの試料を同様に調製することができる。
検量法開発のための最適なデータセットを達成するために、この分析および試料調製手順を、表8で高い相関および中程度の相関を有するものと識別されている他の変数の対について繰り返すことができる。
この手順で作製された試料は、実施例1および実施例2で作製された試料のデータセットに加えることができ、その特性としてより低い相関を有する拡張データセットが作成される。表9に示すように、実施例1および実施例2で作成されたデータセットにそうした試料を含めることにより、プロセス模倣によって達成されない、モデルのロバスト性、正確さおよび選択性を向上させるための相関分断試料の構築が可能になる。これは、（表9に示す）各分析物対間のデータ相関の低減によって確認される。
（表９）実施例1および実施例2で生成された試料および本実施例で示される計画的スパイキングによって生成された試料についてのデータ相関分析マップ。グレーの網掛け-自己相関（R＝1）、高い相関（0.8＜｜R｜＜1）、中程度の相関（0.6＜｜R｜＜0.8）、わずかな相関（0.5＜｜R｜＜0.6）、低相関または相関なし（0＜｜R｜＜0.5）。
Figure 0006620100
試料調製後に、分光センサまたは分析機器を使用して、レファレンス分析法によって決定された試料の物理特性の化学組成（y）と関連させることのできるデータ（X）を取得することができる。
実施例4
実施例4は、分析法によって測定することのできない未知の相関または望ましくない相関を最小化することによって、検量法モデルをより正確でロバストなものにするようにデータ試料を作成することに関するものである。これらの未知の相関または望ましくない相関の例は、例えば、検量されるべき分析物と直接相関しない異なるスペクトルを有する溶媒または溶液の混合物、検量される分析物濃度を変えずに経時的にスペクトルを変化させる動的プロセス、および分析物量を変えずにスペクトルに影響を及ぼす任意の他の変化である。
実施例1および実施例2に従って検量法を開発するときに、生成される試料は、代謝関係の結果として高度に相関する代謝産物濃度を含む。この制約条件を克服するために、実施例3からの相関を分断するための試料を使用した。前述のように、これらの試料は、実際の発酵または他の動的プロセスに含まれるマトリックス相関を分断しない。したがって、随意のやり方で選択された無作為の量の2つ以上のプロセス試料（プロセス実験、すなわち、発酵実施からの試料を意味する）の混合に基づく追加的なデータセットを計画した。
本実施例では、マトリックス効果が存在すること、およびプロセスの開始からの試料が、残りのプロセス段階からのものと異なるスペクトルを有することとを考慮に入れる。これは発酵実施の場合であり、発酵供給材料は、発酵ブロスと同じ組成を有さず、分析物はスペクトル内のすべての変動を説明することができない。これらの場合、異なるプロセス段階から無作為に混合されたプロセス試料を含む追加的なデータセットの使用が、分析物プロフィールにおいて評価されない、呼ばれた「マトリックス効果」の低減に寄与することになる。すなわち、供給後の試料が、発酵ブロスに導入される異なるマトリックスに起因する異なるスペクトルを提示する場合、無作為の、または計画された混合物の作製が、この効果に起因する共直線性を分断するのに役立つことになる。
実施例5
実施例5は、本発明に従って生成された試料を用いてNIRS検量法およびMIRS検量法を作成することに関するものである。
実施例1〜4で生成された試料を使用して、試料のNIRおよびMIRスペクトルまたはそのスペクトルの部分を特定の試料の化学特性または物理特性と関連させる多変量検量法を構築した。スペクトルと化学特性および物理特性との関係は、潜在構造への投影回帰といった、多変量データ解析法の使用を必要とする。そうした方法の最適化は、計量化学と分光法の両方の当業者に公知の、高度なスペクトル前処理、特定波長選択、試料選択方法などを伴いうる。そうした検量法の開発の詳細は、本発明の範囲外であるため、本実施例には含めない。よって、本実施例は、本発明による提示の方法で生成された試料を使用すれば、実際の発酵実施で使用することのできる検量法を作成することが可能であることの証明の役割を果たすものである。
そのため、実施例1、実施例2、実施例3および実施例4で生成されたすべての試料のスペクトル（NIR、MIR、または本実施例で示されていない他のスペクトル）を取得し、そうした試料についての分析特性を、実験室分析法によって獲得し、または主溶液から推定した。実施例1、実施例2、実施例3、および実施例4に示す分析物についての検量法を、当業者に公知の優良モデリング事例を用いて開発した。ここでは、NIRSでの生菌濃度の判定およびMIRSを用いたグルコースの判定のモデル成績を、本発明の可能な適用例として提示する（それぞれ、図5Aおよび図5B）が、これらは、本発明の範囲を他の特性、他のプロセスおよび他の分析法に限定するものではない。
上記のモデルを使用して実際の発酵実施における生菌濃度およびグルコースを予測することによって、上記のモデルの正当性を調べた。図6Aおよび図6Bに示す結果は、100mLスケールで取得された、合成多変量試料および計画的スパイキング試料を用いた、実際の発酵実施のオンラインモニタリングのための検量法の開発における本方法の使用の成功を明確に示している。発酵実施は10L発酵槽で行った（100:1のスケールアップ）ことは言及に値する。たとえそうでも、発酵のオンラインモニタリングについての予測された生菌濃度およびグルコースプロフィールは、レファレンス法によって測定されたレファレンス分析に非常によく一致するものである。
VCDモデルについて獲得された結果に関して、2つの他のことを考慮しなければならない。第1に、合成多成分試料で構築されたモデルはシミュレーション発酵に沿った形態/細胞状態に関する情報を有しない。すなわち、加工された試料に導入される細胞は、それらの細胞が実際の発酵にあった場合と同じ状態ではない。これはモデル成績に、特に発酵実施の終わりにおいてはっきりと影響を及ぼし、発酵実施の終わりには、細胞の数は多いが、生菌は減少し始める。
実施例6
実施例6は、合成多成分試料を用いた多変量プロセス軌道開発に関するものである。
実施例5で示すような分光法は、発酵実施をモニタするための非常に価値のあるツールとなりうる。また、これらの分光法の使用は、単一のプロセスイベントをモニタ/制御するための検量法の開発だけに限定されない。事実、プロセス軌道のモニタリングは、計量化学ツールが重要な役割を果たしうる興味深い領域である。これらのツールの大きな利点は、個々の分析物プロフィールよりはるかに多くのもの捕捉することができることであり、よって、これらのツールは、たとえ定量化法なしでも、プロセス監視および制御に非常に有用となりうる。
本発明による提示の方法は、実施例1および実施例2で作製される試料に基づく多変量プロセス軌道の作成も可能にする。というのは、これらの試料は実際の発酵試料と同じ特性を示すからである。よって、分光センサ情報を用いて、現在の発酵実施を前のバッチでベンチマークテストし、偏差を特定するのに使用することのできる多変量バッチ軌道を構築することが可能である。
この技法の使用を例示するために、実施例1および実施例2で生成された試料を使用して、優良モデリング事例に従ってNIRS PCAモデルを構築した。モデル最適化後に、発酵実施からのスペクトルをインラインで取得した。これらのスペクトルをPCAモデル上で投影してバッチ成績をモニタした。図7Aおよび図7Bに示すように、発酵実施のオンライン測定によって生成されたバッチ多変量トレンドは、合成多成分試料と同じプロフィールを示す。トレンドは捕捉されるが、70時間から90時間の前後で（特に図7Bで）若干の逸脱が開始することに気づく可能性がある。逸脱は供給の流れにおける時間のずれによって生じたものであることは言及に値する。それ以外には、プロフィールは完全に整合するはずである。よって、合成多成分試料は、発酵成績をモニタするための多変量プロフィールを生成するのに使用することができる。さらに、作成されたバッチプロフィールを、MSPC制御チャートにおいて、逸脱をより明確に視覚化し、逸脱の原因を診断するのに使用することもできる。
図8に、本発明の一態様による図を示す。第1の工程で、模倣されなければならない動的プロセスの履歴プロセスデータDが作成され、準備される。第2の工程で、多変量曲線分解-交互最小二乗法アルゴリズム（MCR-ALS）が行われる。このアルゴリズムを使用して、所定の分散内で動的プロセスを模倣するためにデータマトリックスDのうちのどの主溶液が必要かが判定される。次いで、必要な主溶液の分析物組成、およびデータマトリックスDに対する必要な主溶液のそれぞれの相対量が決定される。
必要な主溶液の分析物組成ならびに任意選択の他の溶液特性、例えば物理特性などはマトリックスSに含まれ、合成プロセス試料を調製/作製するために使用されるべき各主溶液の相対量はマトリックスCに含まれる。
マトリックスSの情報、動的プロセスを模倣する少なくとも1つの試料を作製するのにどの主溶液が必要か、およびこれら必要な主溶液がどの分析物組成を有するかを用いて、決定された分析物組成に従って必要な主溶液が組み合わせられ/混合される。
次いで、マトリックスCの情報、および組み合わせられた必要な主溶液がどの相対量を有するかを用いて、組み合わせられた必要な主溶液が各溶液の決定されたそれぞれの相対量に従って混合される。これで、動的プロセスを模倣する少なくとも1つの試料が作製される。
別の態様によれば、必要な主溶液の分析物組成、ならびに任意選択の他の溶液特性、例えば物理特性などは、必ずしもマトリックスSに含まれなければならないとは限らず、任意の他の表現、例えば通常の表に含めることもできることを、当業者は理解する。別の態様によれば、合成プロセス試料を調製/作製するのに使用される各主溶液の相対量もまた、必ずしもマトリックスCに含まれなければならないとは限らず、任意の他の表現、例えば通常の表に含めることもできる。
本発明は、図面および以上の説明において詳細に図示され、説明されているが、そうした図示および記述は、限定ではなく説明または例示とみなすべきである。添付の特許請求の範囲および趣旨内で当業者によって変更および改変が加えられうることが理解されるであろう。特に、本発明は、以上および以下で記述される異なる態様からの特徴の任意の組み合わせを有するさらなる態様を包含するものである。
また本発明は、各図に示すすべてのさらなる特徴も、それらが以上または以下の説明において記述されていない場合であっても、個々に包含するものである。また、各図および本明細書に記載されている態様の単一の代替形態、ならびにそれらの特徴の単一の代替形態を、本発明の主題から排除することもできる。
さらに、特許請求の範囲において、「含む（comprising）」という語は、他の要素または工程を排除するものではなく、不定詞の「a」または「an」は複数を排除するものではない。単一のユニットまたは工程が特許請求の範囲に記載されている複数の特徴の機能を果たす場合もある。属性または値と連結された「本質的に（essentially）」、「約（about）」、「およそ（approximately）」などの用語は、特に、それぞれ、厳密にその属性を、または厳密にその値を定義するものでもある。所与の数値または範囲のコンテキストにおける「約」という用語は、例えば、所与の値または範囲の20%以内、10%以内、5%以内、または2%以内である値または範囲を指す。コンピュータプログラムは、他のハードウェアと一緒に、または他のハードウェアの一部として供給される光記憶媒体や固体媒体といった適切な媒体上で記憶/配布することができるが、インターネットまたは他の有線もしくは無線通信システムを介してなど、他の形で配布することもできる。特に、例えば、コンピュータプログラムは、コンピュータ可読媒体上に記憶されたコンピュータプログラム製品とすることができ、コンピュータプログラム製品は、本発明による方法といった特定の方法を実施するために実行されるように適合されたコンピュータ実行可能プログラムコードを有しうる。特許請求の範囲における参照符号は範囲を限定するものと解釈すべきではない。
用語および略語
本発明のコンテキストにおいて、下記の用語および略語は、それぞれの用語および略語についての以下の記述に関連しうるものである。
正確な検量法検量法は、特定の分析物の量を多少なりとも正しく、すなわち、比較的低い実際の値からの逸脱で、予測することができる。
ASN:アスパラギン。
C:本開示において、CはMCR-ALS結果から獲得された各主溶液の相対量を含むマトリックスを表す。
Caug:例えば、上記実施例2に従って拡大されたCマトリックス。
計量化学法:化学系またはプロセスに対してなされる測定（例えば、圧力、流量、温度、pH、近赤外および中赤外スペクトル、2D蛍光スペクトル、誘電スペクトル、ラマンスペクトル、NMRスペクトルなど）を関連させる数学的方法または統計的方法の、系の状態（物理特性または化学特性）への適用。
閉包制約条件:この制約条件は、CマトリックスについてのMCR-ALS解が相対量を提供しなければならないこと、すなわち、Cの行の総和が1と等しくなければならないことを示す。
共直線性分断試料:プロセストレンドに関連していない試料。
CQA:重要な品質特性。
D:バッチの履歴データを含むデータマトリックス。Dは、n行（試料）およびm列（特性）を有するn×mマトリックスとすることができる。
Di:元のデータマトリックスDの一部。
動的プロセス:時間に沿って変化し、または進行する連続したバッチまたはフェド・バッチ・プロセス。本開示の意味では、動的プロセスは、反応（発酵または化学）、混合、分解、蒸発、乾燥などと解釈することができる。連続動作において、動的プロセスは、動作条件変化とみなされる。すなわち、外乱または計画された変化が、製品品質仕様に影響を及ぼす変数である。
GLF:グルコース。
GLU:グルタミン酸。
GTF:グルタミン。
履歴データ:プロセス変数によって構成されうる、プロセスに関する記録された過去情報、およびプロセス実施の異なる時間における化学/物理情報。このデータは、多変量検量法モデルを開発し、または前のバッチと比べて現在のバッチを監視するのに使用することができる。
インライン:プロセス設備の内部で測定される。
製造過程の試料:原材料および最終生成物に対するプロセスからの試料。
LAF:乳酸。
LV:PLS回帰で使用される潜在変数。
MCR-ALS:多変量曲線分解-交互最小二乗法またはアルゴリズム。
模倣:模倣は、実際の発酵と類似した、または同じ特性を有する、すなわち、実際の発酵と同じプロフィールに従うという意味で使用される。試料との関連では、試料が同じプロフィールを有することを意味する。
MIRS:中赤外分光法。
MSPC:多変量統計プロセス制御。先の履歴データまたは良好なバッチからのセンサデータを使用し、それを現在のバッチと比較して逸脱を検出し、その根本原因を見つける計量化学ツール。
多成分分析物組成:2つ以上の分析物からなる試料の化学組成。
多パラメータ分析:この表現は、分光センサを用いた1つの測定を使用して所与の試料の複数の特性を予測することができるコンテキストにおいて使用される。
多変量検量法:測定されたプロセスパラメータ（例えば、圧力、流量、温度、pHなど）または計器信号（例えば、近赤外および中赤外、2D蛍光、誘電分光、ラマン、NMRスペクトルなど）に基づいて、化学組成や物理特性他といった、特定の特性測定を予測するのに使用することのできるモデル。
NHF:アンモニア。
NIRS:近赤外分光法。
非負性制約条件:この制約条件は、MCR-ALS解が正でなければならないことを示す。
PCA:主成分分析。
PLS:潜在構造への投影。
PLS-DA:潜在構造への投影判別分析、特定の属性に基づいて試料を判別するのに使用される計量化学法。この方法では、当該属性を有する試料は数1で符号化され、残りの試料は0として符号化される。両群を判別するためにPLSモデルが策定される。新しい未知の試料が検量法モデルに提示されると予測が行われ、1に近いほど、この試料がこの属性を有する確率が高い。
PRO:生成物。
プロセス軌道:PCAといった計量化学法によって全体として捕捉されるバッチの多変量トレンド。
計画的スパイキング:所望の試料特性に到達するように誘導されるスパイキング。
R:相関係数。
無作為のスパイキング:特定のパターンを伴わないコンピュータによって生成されるスパイキング。
RMSEC:検量法試料のための予測値から試料に実際の値までの距離から計算することのできる検量法の二乗平均平方根誤差。
RMSECV:クロス確認の二乗平均平方根誤差。1群の試料を除外して複数の検量法を開発することによるモデル最適化に使用される。これは反復プロセスであり、第1の工程で除外される試料は検量法に使用され、別の試料セットが除外される。この手順は数回繰り返され、潜在変数の数の最適化を可能にする。
RMSEP:外部確認試料の予測の二乗平均平方根誤差。検量法に含まれない試料に対するモデル予測能力を測定するのに使用される。
ロバストな検量法検量法は、たとえ試料が（物理的な、または化学な）いくつかの干渉を有していてもなお正確に予測することができることを意味する。
SEL:試料の特定の特性を決定するのに使用される分析法の誤差とすることができる実験室の標準的誤差。
SIMCA:ソフト非依存クラス分析、クラスタリングおよび試料間の距離に基づいて試料を判別するための計量化学法。
SIMPLISMA:成分濃度が変動する間の混合物の一連の分光観測から純粋な成分スペクトルを抽出するのに使用することのできる、使いやすいインタラクティブな自己モデリング混合物分析（Simple-to-use Interactive Self-modeling Mixture Analysis）と呼ばれるアルゴリズム。
Spki:i番目のスパイク。
ST:本開示において、STは、マトリックスDを使用したときのMCR-ALS結果から獲得される各主溶液の多成分多成分分析物組成を含むマトリックスである。
ST i:本開示において、ST iは、マトリックスDiを使用したときのMCR-ALS結果から獲得される各主溶液の多成分分析物組成である。
監視システム:前のバッチ（動的プロセス）プロフィール/トレンドを現在のバッチプロフィール/トレンドと比較するシステム。このシステムは、オペレータが前のバッチからの逸脱を明確に識別し、手動で、または自動的に、制御動作によって適正な措置を講じるためのインターフェースを有するはずである。このシステムは、PCAやPLSといった計量化学法によって獲得されるプロセス変数トレンドと分光センサ多変量軌道の両方を含めて行うことができる。インターフェースでは根本原因影響も提示できる。
合成多成分試料:プロセスから抜き取られた試料に対して、実験室で、または制御された工学的条件で作製された試料。多成分という用語は、試料が複数の化合物によって構成されており、細胞といった浮遊する生きている材料も含みうることを意味する。
t:時間。
VCD:生菌濃度
X:センサデータ、例えば、NIRスペクトルやMIRスペクトルなど。
y:レファレンス法によって決定されなければならないモデル化されるべき特性、例えば、VCD、GLF、GLU、GTFなどの濃度。
σ:標準偏差。平均標準偏差は、実験室の標準誤差が利用できないときに使用される。
参考文献
［1］de Juan, Anna, and Roma Tauler."Chemometrics applied to unravel multicomponent processes and mixtures.Revisiting latest trends in multivariate resolution." Analytica Chimica Acta 500 （2003）: 195-210.
［2］Gampp, H, M Maeder, C J Meyer, and A D Zuberbuhler."Calculation of equilibrium constants from multiwavelength spectroscopic data-IV: Model-free least squares refinement by use of evolving factor analysis." Talanta 33 （1986）: 943-951.
［3］Jaumout, Joaquim, Raimundo Gargallo, Anna de Juan, and Roma Tauler. "A graphical user-friendly interface for MCR-ALS: a new tool for multivariate curve resolution in MATLAB." Chemometrics and Intelligent Laboratory Systems 76 （2005）: 101 -110.
［4］Windig, W, and D A Stephenson. "Self-modeling mixture analysis of second-derivative near infrared spectral data using the SIMPLISMA approuch." Analytical Chemistry 64 （1992）: 2735-2742.

Claims (22)

  1. ロバスト性の高いモニタリングシステムおよび/または多変量監視システム用の多変量検量法を開発するための少なくとも1つの合成多成分の生物工学プロセス試料および/または化学プロセス試料を調製するための方法であって、動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形を模倣する少なくとも1つの合成試料が調製され、
    模倣されるべきでありかつそのための少なくとも1つの合成試料が調製されるべきである動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形の履歴プロセスデータを準備する工程;
    履歴プロセスデータのデータマトリックスDを作成する工程;
    データマトリックスDの複数の主溶液を決定する工程;
    データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形を模倣するのに必要であるか判定する工程;
    必要な主溶液の分析物組成および前記データマトリックスDに対する必要な主溶液のそれぞれの相対量を決定する工程;
    必要な主溶液の決定された分析物組成を含むマトリックスSを作成する工程;
    データマトリックスDに対する必要な主溶液の相対量を含むマトリックスCを作成する工程;
    マトリックス積C×STが所定の公差内でデータマトリックスDに対応するかどうか判定する工程;
    少なくとも2つの時点についてのマトリックスCに含まれる必要な主溶液の相対量を決定する工程；
    少なくとも2つの時点についての必要な主溶液の決定された相対量を用いて、マトリックスCに含まれる必要な主溶液の相対量と履歴プロセスデータのそれぞれの時間変数との間の回帰を行う工程；
    回帰に基づいて少なくとも2つの時点の間の少なくとも1つの他の時点についての必要な主溶液の相対量を推定する工程；ならびに
    Cおよび少なくとも1つの他の時点についての推定された必要な主溶液を含む拡大時間依存マトリックスCaugを作成する工程
    を含み、
    上述の工程が計算処理部で実行され、
    決定された分析物組成に従って必要な主溶液を組み合わせることによって少なくとも1つの試料を作製する工程
    をさらに含む、方法。
  2. マトリックス積C×STが所定の公差内でデータマトリックスDに対応しない場合に、
    データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形を模倣するのに必要であるか判定する工程;
    必要な主溶液の分析物組成および各必要な主溶液の相対量を決定する工程;
    マトリックスSを作成する工程;
    マトリックスCを作成する工程;
    マトリックス積C×STが所定の公差内でデータマトリックスDに対応するかどうか判定する工程
    を繰り返す、請求項1記載の方法。
  3. データマトリックスCを作成するための必要な主溶液の相対量および/またはマトリックスSを作成するための必要な主溶液の決定される分析物組成が、論理制約条件および/または物理制約条件および/または化学制約条件に基づいて選択される、請求項1または2記載の方法。
  4. データマトリックスDが複数のデータマトリックスDiへ分割され、かつ
    所定の分散を下回る動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形を模倣するように構成されているデータマトリックスDの主溶液だけが決定されうると判定される場合に、各マトリックスDiがデータマトリックスDの作成の後に続く各工程で個別に処理される、
    請求項1〜3のいずれか一項記載の方法。
  5. 履歴データが、動的プロセスもしくは特定のプロセス工程もしくは動的プロセスもしくは特定のプロセス工程の変形の解析的に決定された組成値；物理情報；プロセス情報；類似したもしくは異なるプロセス条件下でのプロセスの追加的な実験実行および/もしくはシミュレーション実行に対応する少なくとも1つのさらなるプロセス変動のデータのうちの少なくとも1つを含み、かつ/または
    履歴データが、プロセス時間に従ってマトリックスDにおいて編成される、
    請求項1〜4のいずれか一項記載の方法。
  6. 必要な主溶液を決定する工程および/または必要な主溶液の分析物組成を決定する工程および/またはデータマトリックスDに対する必要な主溶液の相対量を決定する工程が、適切な計量化学法を用いて行われる、請求項1〜5のいずれか一項記載の方法。
  7. 前記計量化学法が、
    因数分解法、主成分分析（PCA）、特異値分解（SVD）、もしくは展開因子分析、および/または
    平行因子分析（PARAFAC）、多変量曲線分解-交互最小二乗法（MCR-ALS）、展開因子分析
    のうちの少なくとも1つを用いて行われる、請求項6記載の方法。
  8. マトリックスDを前処理する工程をさらに含む、請求項1〜7のいずれか一項記載の方法。
  9. マトリックスDを前処理する工程が、フィルタリングする工程を含む、請求項8記載の方法。
  10. マトリックスDを前処理する工程が、Savitzky-Golayフィルタ、カーネルスムーザ、平滑化スプライン、移動平均、または加重移動平均のうちの少なくとも1つを用いる工程を含む、請求項8記載の方法。
  11. 共直線性分断法を用いてデータマトリックスDに含まれるパラメータ間または分析物間の共直線性を分断するように構成されている少なくとも1つの第2の試料を調製する工程
    をさらに含む、請求項1〜10のいずれか一項記載の方法。
  12. 共直線性分断法が、直交実験計画の作成、少なくとも1つの試料中の特定の化合物の無作為のスパイキング、計画的スパイキング、試料の無作為の混合、またはこれらの任意の組み合わせのうちの少なくとも1つを含む、請求項11記載の方法。
  13. 前記試料を前記少なくとも1つの第2の試料とまとめることによって第3の試料を作製する工程
    をさらに含む、請求項11または12記載の方法。
  14. 計算処理部と、
    混合部と
    を含む、動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形を模倣する少なくとも1つの合成試料を調製するための合成試料レイアウト生成および試料取り扱いシステムであって、
    計算処理部が、
    模倣されるべきでありかつそのための合成試料のセットが調製されるべきである動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形の履歴プロセスデータを準備するための手段と、
    履歴プロセスデータのデータマトリックスDを作成するための手段と、
    データマトリックスDの複数の主溶液を決定するための手段と、
    データマトリックスDのどの主溶液が、所定の分散内で動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形を模倣するのに必要であるか判定するための手段と、
    必要な主溶液の分析物組成およびデータマトリックスDに対する必要な主溶液のそれぞれの相対量を決定するための手段と
    を含み、
    混合部が、決定された分析物組成に従って必要な主溶液を組み合わせることによって少なくとも1つの試料を作製するように構成されており、
    計算処理部が、
    必要な主溶液の決定された分析物組成を含むマトリックスSを作成するための手段と、
    データマトリックスDに対する必要な主溶液の相対量を含むマトリックスCを作成するための手段と、
    マトリックス積C×STが所定の公差内でデータマトリックスDに対応するかどうか判定するための手段と
    をさらに含み、
    データマトリックスDに対する必要な主溶液のそれぞれの相対量を決定する手段が、少なくとも2つの時点についてのマトリックスCに含まれる必要な主溶液の相対量を決定するように構成されており、
    計算処理部が、
    少なくとも2つの時点についての必要な主溶液の決定された相対量を用いて、マトリックスCに含まれる必要な主溶液の相対量と履歴プロセスデータのそれぞれの時間変数との間の回帰を行うための手段；
    回帰に基づいて少なくとも2つの時点の間の少なくとも1つの他の時点についての必要な主溶液の相対量を推定するための手段；ならびに
    Cおよび少なくとも1つの他の時点についての推定された必要な主溶液を含む拡大時間依存マトリックスCaugを作成するための手段
    をさらに含む、システム。
  15. 少なくとも1つのセンサを有する測定機器をさらに含む、請求項14記載のシステム。
  16. 前記測定機器の少なくとも1つのセンサが、動的プロセス、特定のプロセス工程、動的プロセスの変形、もしくは特定のプロセス工程の変形における少なくとも1つのパラメータをインサイチューで測定するように構成されており、かつ/または、少なくとも1つのセンサが、pHプローブ、温度プローブ、分光センサ、もしくはマルチチャネル計測器のうちの少なくとも1つを含む、請求項15記載のシステム。
  17. 少なくとも1つの温度制御構造および/または少なくとも1つのpH制御構造を含む少なくとも1つの制御機器をさらに含む、請求項14〜16のいずれか一項記載のシステム。
  18. 少なくとも1つの制御機器が、動的プロセスまたは特定のプロセス工程または動的プロセスもしくは特定のプロセス工程の変形のそれぞれの条件を再現するように構成されている、請求項17記載のシステム。
  19. 少なくとも1つの制御機器が、共直線性分断法を用いてデータマトリックスDに含まれるパラメータ間または分析物間の共直線性を分断するように構成されている、請求項16または17記載のシステム。
  20. 少なくとも1つの制御機器が、以下の共直線性分断法：
    直交実験計画の作成、少なくとも1つの試料中の特定の化合物の無作為のスパイキング、計画的スパイキング、試料の無作為の混合、またはこれらの任意の組み合わせ
    のうちの少なくとも1つを用いて、共直線性を分断するように構成されている、請求項19記載のシステム。
  21. 主溶液のうちの少なくとも1つおよび/または少なくとも1つの試料を分析するように構成された分析機器をさらに含む、請求項14〜20のいずれか一項記載のシステム。
  22. 請求項1〜13のいずれか一項記載の方法の各工程を行うためのコンピュータ実行可能命令を有する1つまたは複数のコンピュータ可読媒体を含む、コンピュータプログラム製品。
JP2016542997A 2013-12-27 2014-12-23 合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム Active JP6620100B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP13199699 2013-12-27
EP13199699.3 2013-12-27
PCT/EP2014/079152 WO2015097217A1 (en) 2013-12-27 2014-12-23 Method and system for preparing synthetic multicomponent biotechnological and chemical process samples

Publications (3)

Publication Number Publication Date
JP2017504115A JP2017504115A (ja) 2017-02-02
JP2017504115A5 JP2017504115A5 (ja) 2019-06-27
JP6620100B2 true JP6620100B2 (ja) 2019-12-11

Family

ID=49949451

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016542997A Active JP6620100B2 (ja) 2013-12-27 2014-12-23 合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム

Country Status (10)

Country Link
US (1) US20170177835A1 (ja)
EP (1) EP3087516B1 (ja)
JP (1) JP6620100B2 (ja)
KR (1) KR20160103075A (ja)
CN (1) CN106462656B (ja)
BR (1) BR112016014941A2 (ja)
CA (1) CA2934161A1 (ja)
MX (1) MX2016008303A (ja)
RU (1) RU2016130663A (ja)
WO (1) WO2015097217A1 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110945593A (zh) * 2017-06-16 2020-03-31 通用电气健康护理生物科学股份公司 用于预测生物反应器中的过程的产出和对生物反应器中的过程建模的方法
AU2019344557A1 (en) * 2018-09-18 2021-04-01 Bayer Aktiengesellschaft System and method for predicting quality of a chemical compound and/or of a formulation thereof as a product of a production process
EP3702849B1 (en) * 2019-02-26 2023-07-26 Sartorius Stedim Data Analytics AB Optimized process control
EP3702439B1 (en) * 2019-02-26 2024-01-17 Sartorius Stedim Data Analytics AB Multivariate process chart to control a process to produce a chemical, pharmaceutical, biopharmaceutical and/or biological product
DE102019110094A1 (de) * 2019-04-17 2020-10-22 Analytik Jena Ag Verfahren zur Bestimmung des Verbrauchs zumindest einer Substanz
KR20200133525A (ko) 2019-05-20 2020-11-30 삼성전자주식회사 생체 정보 추정 모델의 유효성 판단 장치 및 방법
US11231324B2 (en) * 2020-02-13 2022-01-25 Kaiser Optical Systems Inc. Real-time monitoring of wine fermentation properties using Raman spectroscopy
EP3901710B1 (en) * 2020-04-24 2023-05-03 The Automation Partnership (Cambridge) Limited Optimisation of processes for the production of chemical, pharmaceutical and/or biotechnological products
CN111842922A (zh) * 2020-06-04 2020-10-30 深圳市人工智能与机器人研究院 材料合成参数调整方法、装置、计算机设备和存储介质
JP7320894B1 (ja) * 2023-02-09 2023-08-04 日本分光株式会社 スペクトル解析方法、解析装置および解析プログラム
CN116825217B (zh) * 2023-03-15 2024-05-14 福建省德旭新材料有限公司 制备高纯五氟化磷的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE9900030D0 (sv) * 1999-01-05 1999-01-05 Astra Ab Reaction monitoring
CN100458411C (zh) * 2006-07-24 2009-02-04 中国林业科学研究院木材工业研究所 植物纤维材料中化学成分含量模型的建立和含量测定方法
US20090287320A1 (en) * 2008-05-13 2009-11-19 Macgregor John System and Method for the Model Predictive Control of Batch Processes using Latent Variable Dynamic Models
US8629399B2 (en) * 2009-09-22 2014-01-14 Bp Corporation North America Inc. Methods and apparatuses for measuring biological processes using mid-infrared spectroscopy
EP2635892B1 (en) * 2010-11-05 2014-08-27 F.Hoffmann-La Roche Ag Spectroscopic finger-printing of raw material

Also Published As

Publication number Publication date
RU2016130663A3 (ja) 2018-09-19
JP2017504115A (ja) 2017-02-02
RU2016130663A (ru) 2018-01-31
CN106462656B (zh) 2020-05-29
EP3087516B1 (en) 2018-11-07
KR20160103075A (ko) 2016-08-31
CA2934161A1 (en) 2015-07-02
US20170177835A1 (en) 2017-06-22
MX2016008303A (es) 2016-09-08
CN106462656A (zh) 2017-02-22
BR112016014941A2 (pt) 2017-08-08
EP3087516A1 (en) 2016-11-02
WO2015097217A1 (en) 2015-07-02

Similar Documents

Publication Publication Date Title
JP6620100B2 (ja) 合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム
JP2017504115A5 (ja)
US11614733B2 (en) Computer system and method for automated batch data alignment in batch process modeling, monitoring and control
Lopes et al. Chemometrics in bioprocess engineering: process analytical technology (PAT) applications
Ündey et al. Applied advanced process analytics in biopharmaceutical manufacturing: Challenges and prospects in real-time monitoring and control
US9541471B2 (en) Multivariate prediction of a batch manufacturing process
Tulsyan et al. A machine‐learning approach to calibrate generic Raman models for real‐time monitoring of cell culture processes
Hakemeyer et al. At-line NIR spectroscopy as effective PAT monitoring technique in Mab cultivations during process development and manufacturing
Park et al. Bioprocess digital twins of mammalian cell culture for advanced biomanufacturing
Walsh et al. Harnessing the potential of machine learning for advancing “quality by design” in biomanufacturing
Li et al. Parallel comparison of in situ Raman and NIR spectroscopies to simultaneously measure multiple variables toward real-time monitoring of CHO cell bioreactor cultures
Zhang et al. Quality prediction in complex batch processes with just-in-time learning model based on non-Gaussian dissimilarity measure
WO2021165495A1 (en) Computer-implemented method, computer program product and hybrid system for cell metabolism state observer
Santos et al. Improving reliability of Raman spectroscopy for mAb production by upstream processes during bioprocess development stages
JP6602818B2 (ja) 流体クラスのサンプル、特に生物流体のサンプルにおけるｎｍｒスピン系の化学シフト値を予測する方法
Von Stosch et al. Hybrid modeling framework for process analytical technology: application to Bordetella pertussis cultures
Çıtmacı et al. Digitalization of an experimental electrochemical reactor via the smart manufacturing innovation platform
Borchert et al. Comparison of data science workflows for root cause analysis of bioprocesses
Omidikia et al. Bilinear model factor decomposition: A general mixture analysis tool
Acosta-Pavas et al. Soft sensors based on interpretable learners for industrial-scale fed-batch fermentation: Learning from simulations
Karimvand et al. Practical and comparative application of efficient data reduction-Multivariate curve resolution
Du et al. Dynamic batch process monitoring based on time-slice latent variable correlation analysis
Narayanan et al. Consistent value creation from bioprocess data with customized algorithms: Opportunities beyond multivariate analysis
Oliveira et al. Chemometric modelling for process analyzers using just a single calibration sample
Behdani et al. Rapid total sialic acid monitoring during cell culture process using a machine learning model based soft sensor

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160915

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20171221

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181128

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20181130

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20190225

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190524

A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20190524

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20191030

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20191118

R150 Certificate of patent or registration of utility model

Ref document number: 6620100

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250