バイオリアクターのプロセスでは、給餌方法、攪拌、溶存酸素制御などのパラメーターを調整して生産性を向上させるために、従来、物理実験に頼っていました。生物製剤製造は複雑な性質を持っているため、このアプローチは時間がかかり、リソースを大量に消費し、コストもかかります。
AI デジタルツインは新しいアプローチを提供します。
デジタルツインは、実際の実験データ、生物システムの機構的理解、予測モデリングを組み合わせることで、バイオリアクタープロセスの仮想表現を作成します。
この表現により、科学者やエンジニアは、物理実験を行う前にプロセスの挙動をシミュレートし、動作条件を調査し、戦略を最適化することができます。一般的な生物製剤の使用例には以下が含まれます。
- バッチモニタリングと偏差検出のための連続プロセス検証
- 初めてラボから本番環境へのスケールアップに最適
- 生産効率向上のためのプロセス最適化
バイオリアクターデジタルツイン:プロセスモデルの構築
ステップ 1: バイオリアクターデータをモデル対応にする
正確なデジタルツインの基礎はプロセスデータであり、デジタルツインをお客様のプロセスに合わせて調整するものです。バイオロジクスでは、多くの場合、歴史学者が書き出したもの、スプレッドシート、機器ファイル、研究ノートなど、さまざまな形式のデータセットがあります。
プロセスデータの代表的な例は次のとおりです。
この段階では、上記のデータを変換して、モデルに正しく入力できるようにします。たとえば、時系列信号を揃えたり、バッチメタデータを保存したり、栄養素濃度、ガス流量、攪拌速度などの測定値間で単位を調整したりする必要があります。
適切なデータ準備を行うことで、培養条件と生物学的反応との動的な関係をデジタルツイン内で確実に把握できるようになります。²
ステップ 2: 機構的バイオリアクターモデリング
メカニスティックモデルは、デジタルツインの科学的現実の土台となります。これらのモデルは、統計的な相関関係だけに頼るのではなく、細胞培養を支配する基礎となる生物学的および物理的原理を使用してプロセスの挙動を記述します。3
バイオリアクターでは、通常、微分方程式系による細胞増殖動力学、栄養素の取り込み、代謝産物の生成、生成物の生成をモデル化する必要があります。
これらのモデルは、モデルパラメータが実際の生物学または工学の理論（成長速度、酸素移動係数、収量係数など）に対応しているため、解釈が容易です。また、外挿も可能になるため、まだ実験的にテストされていない動作条件下での予測が可能になります。4
ただし、機構モデルだけでは、生物学的複雑性のすべての側面を捉えることはできません。現実世界のバイオプロセスにはばらつきや非線形のパターンがありますが、これらは必ずしも純粋な機構モデルでは捉えられません。
ここでハイブリッドモデリングの出番です。
ステップ 3: 正確なバイオリアクターデジタルツインのためのハイブリッドモデリング
ハイブリッドモデリングは、メカニズムモデルとデータ主導型の学習（データ主導型）を組み合わせたもので、科学的な妥当性を維持しながら予測性能を向上させる学習を行います。
メカニズムコンポーネントは生物学的および工学的基盤を提供し、それを保証します。次に、機械学習（ML）レイヤーを使用して、機械学習（ML）レイヤーを使用して、機械的に表現するのが難しい基本的な動作をキャプチャします。
たとえば、後期培養中の代謝の変化や栄養素消費率の変動は、標準的な速度論モデルでは完全には捉えられない場合があります。データ主導の補正により、デジタルツインは過去のプロセス観察結果を使用してこれらの影響を説明できます。
これにより、非常に正確なバイオリアクターデジタルツインが可能になり、規制対象のバイオ医薬品環境では特に重要な、科学的解釈可能性と予測機能のバランスを取ることができます。5
ステップ 4: バイオリアクターのインシリコシミュレーション
検証が完了すると、デジタルツインは強力なシミュレーション環境になります。
チームは大規模な実験キャンペーンを実施する代わりに、生産状況を可視化し、バイオリアクターの運用戦略を仮想的に検討することができます。
これにより、科学者は、給餌タイミングが栄養素の枯渇にどのように影響するか、攪拌が酸素移動にどのように影響するか、温度変化が力価にどのように影響するかなどの問題を調査できます。仮想実験により、研究者は、そうでなければ広範囲にわたる実験室での作業が必要となるプロセス設計空間を体系的に探索できます。
したがって、インシリコ実験は、デジタルツインの最も価値のある機能の1つである、従来の実験よりも大幅に高速に幅広いプロセス条件を評価する能力を発揮します。
ステージ 5: 継続的なプロセス検証のためのバイオリアクターデジタルツイン
ハイブリッドモデルがプロセスを正確に表すと、エンジニアとオペレーターはプロセスの実行方法をリアルタイムで視覚化できます。
ここでは、各バッチの重要品質属性（CQA）を視覚化し、過去のパフォーマンスと比較し、生産、製品品質、または力価の偏差を把握できます。
そうすれば、バイオリアクターのデジタルツインは、偏差を理解するだけにとどまらない環境で使用できます。 予測 それら。バイオリアクターのデジタルツインをリアルタイムデータと統合することで、たとえば温度の偏差によって期待収量が低下した場合に、オペレーターに通知することができます。
デジタルツインは、実験からリアルタイムの洞察へと移行することで、よりデータ主導型の効率的なプロセス開発への移行を可能にします。
バイオリアクター AI デジタルツインの使用を開始する方法
上流のバイオプロセッシングにおけるデジタルツインの価値は明らかです。しかし、既存のツールの多くは、ライフサイクルの一部にしか対応していません。
- 機械式エンジンのないデータシステム
- ライフサイクルインフラストラクチャのないメカニスティックシミュレーター
- 物理的な基盤がない ML モデル (ハイブリッド機能)
Basetwoは、すべてのステップを実行できる唯一のプラットフォームです。
データ統合→機構モデリング→ハイブリッドキャリブレーション→シミュレーション→プロセスモニタリング。
Basetwoは、これらのステップを個別のツールとして扱うのではなく、バイオプロセス開発用に設計された1つの環境内ですべてのステップを結び付けます。
また、このプラットフォームは上流と下流の業務を連携させるため、チームは個別のユニット操作ではなく、製造プロセス全体を反映したデジタルツインを構築できます。
ハイブリッドデジタルツインでバイオオペレーションを改善したい場合、Basetwoは次のことを可能にするインフラストラクチャを提供します。 デモを予約 さらに詳しく知りたい。
