JP7704464B2 - 細胞培養条件決定装置の動作方法及び細胞培養条件決定装置 - Google Patents

Description

本発明は、人工知能を用いて細胞培養条件を決定するための装置および装置の動作方法に関する。より具体的には、装置は、注入変数による影響変数の変化を予測し、目的とする品質属性を獲得する最適な注入変数を捜し出す方法を含む。

生物学的反応や工程を実験室または産業規模で行うことができる装置であるバイオリアクターは、生物薬剤産業内で広く用いられる。バイオリアクターは、様々な類型のバイオ製品を生産するのに用いられる。バイオ製品は、例えば、細胞培養液および飲料、バイオ燃料、バイオエネルギー、生化学物質、抗生剤、アミノ酸、酵素、単クローン抗体、多重抗体、ワクチン、血液製剤、血漿分画製剤、タンパク質、細胞培養医薬品、細胞治療剤、遺伝子治療剤、組織工学製剤、先端バイオ融複合製剤、食品培養液、バイオポリマー、アルコール、香料、芳香剤などを含んでもよい。

なお、微生物、植物細胞、動物細胞などの細胞培養は、回分培養（ｂａｔｃｈ ｃｕｌｔｕｒｅ）、流加培養（ｆｅｄ－ｂａｔｃｈ ｃｕｌｔｕｒｅ）、連続培養（ｃｏｎｔｉｎｕｏｕｓ ｃｕｌｔｕｒｅ）および灌流培養（ｐｅｒｆｕｓｉｏｎ ｃｕｌｔｕｒｅ）などの方式によって行われ得、特定の工程では、流体媒体内に含有された栄養分を補充するために、または工程中に生成される有害な副産物を除去するために、バイオリアクター内に入っている液状培地（培養液）を周期的にまたは連続的に除去および再供給することができる。

なお、バイオリアクター内で行われる細胞培養中に、培地内主要代謝産物を調節することは、生産される製品の品質に直接的な影響を与えることがある。例えば、ラクテートは、細胞培養物、特に哺乳動物細胞が成長する中に制御すべき主要代謝産物の１つであり、一例として、細胞の成長期中に多量のラクテートが生成されるのに対し、細胞が静止期に入るときは、その消費が観察される。高レベルのラクテートは、細胞培養に否定的な影響を与えることがある。例えば、ラクテート蓄積は、製品の品質属性に否定的影響を与えることができ、実際に極端なラクテートの蓄積は、細胞培養物を商業的に使用できない恐れがある。

このために、培地で主要代謝産物の量のうち１つを調節するための方案が提示されたことがある。しかしながら、実際の培地では、主要代謝産物が相互間に影響を与えて変動する。したがって、主要代謝産物のうち特定の種類だけを調節するものではなく、主要代謝産物全部を最適化する場合、培養条件を最適化することができる。

しかしながら、代謝産物全部を最適化したり、これらの均衡を合わせることは、非常に難しい課題に該当する。例えば、Ｇｌｕｃｏｓｅ、Ｇｌｕｔａｍｉｎｅ、およびＧｌｕｔａｍａｔｅは、いずれも、枯渇すると、細胞に否定的な影響を及ぼすｐａｒａｍｅｔｅｒである。けれども、Ｆｅｅｄを通じてこれらを非常に多く注入すると、浸透圧が上がって、細胞に否定的な影響を与えることがある。また、Ｇｌｕｃｏｓｅ、Ｇｌｕｔａｍｉｎｅ、およびＧｌｕｔａｍａｔｅそれ自体も、過剰の場合、否定的な影響を与えることがある。すなわち、代謝産物間の均衡を合わせることは、非常に複雑な課題である。

これより、本発明は、所望の細胞の品質属性を達成するために、それに影響を及ぼすパラメーター（影響変数や注入変数）間の相互作用を最大限反映した機械学習を進めて具現された仮想バイオリアクター（Ｂｉｏｒｅａｃｔｏｒ）シミュレーション装置と関連する。

また、本発明は、現在のパラメーター値（影響変数や注入変数）から未来の重要パラメーターの値を予測および分析し、最適な細胞培養条件および品質属性を導き出すために提供されるものである。

本明細書において、細胞培養条件決定装置の動作方法は、細胞培養液から第１時点の第１品質属性および第１影響変数を獲得する段階と、第１注入変数を獲得する段階と、前記第１品質属性、前記第１影響変数、および前記第１注入変数のうち少なくとも１つを培養シミュレーションモデルに適用し、第２時点の第２品質属性および第２影響変数を獲得する段階と、前記第２品質属性があらかじめ定められた条件に合うように前記第１注入変数を選択的に変化させる段階と、を含み、前記第２時点は、前記第１時点の未来であることを含む。

前記第１品質属性は、第１のＶＣＤ値および第１のＩｇＧ量を含むものであってもよい。

前記第１影響変数は、第１グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第１グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第１グルコース（Ｇｌｕｃｏｓｅ）の量、第１ラクテート（Ｌａｃｔａｔｅ）の量、第１アンモニア（Ａｍｍｏｎｉａ）の量および第１浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含むものであってもよい。

前記細胞培養液から第１時点の第１品質属性および第１影響変数を獲得する段階は、同一時点に測定された複数の第１影響変数を獲得する段階を含み、前記第２時点の第２品質属性および第２影響変数を獲得する段階は、前記測定された複数の第１影響変数に基づいて予測した第２影響変数を獲得する段階を含むものであってもよい。

前記第１注入変数は、第１栄養培地（ｆｅｅｄ）の量、第１栄養培地内グルコース（Ｇｌｕｃｏｓｅ）の量、第１酸素分子の量、第１二酸化炭素分子の量、第１窒素分子の量、第１空気（ａｉｒ）の量、第１のｐＨ値、第１のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ、第１のＶｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、第１のＭｅｄｉａ注入日程および第１のＡｎｔｉｆｏａｍの量のうち少なくとも１つを含むものであってもよい。

前記第１注入変数を選択的に変化させる段階は、第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように前記第１注入変数を変化させる段階と、第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように前記第１注入変数を変化させる段階と、を含み、前記第２期間は、前記第１期間以降であってもよい。

前記第１注入変数を選択的に変化させる段階は、前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有するように前記第１注入変数を変化させる段階と、前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有するように前記第１注入変数を変化させる段階と、を含み、前記ｋは、正数であってもよい。

前記第１注入変数を選択的に変化させる段階は、前記第２影響変数に含まれた第２のＬａｃｔａｔｅの量が第１臨界量以下であるか否かを決定する段階と、前記第２のＬａｃｔａｔｅの量が第１臨界量以下であり、前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように第１注入変数を変化させる段階と、前記第２のＬａｃｔａｔｅの量が第１臨界量以下であり、前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように第１注入変数を変化させる段階と、を含むものであってもよい。

また、本明細書において、前記第１注入変数を選択的に変化させる段階は、前記第２影響変数に含まれた第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であるか否かを決定する段階と、前記第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように第１注入変数を変化させる段階と、前記第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように第１注入変数を変化させる段階と、を含むものであってもよい。

また、本明細書において前記変化させた第１注入変数をバイオリアクターに送信する段階を含んでもよい。

本明細書において、細胞培養条件決定装置は、プロセッサおよびメモリを含み、前記プロセッサは、前記メモリに保存されている命令語に基づいて、細胞培養液から第１時点の第１品質属性および第１影響変数を獲得し、第１注入変数を獲得し、前記第１品質属性、前記第１影響変数および前記第１注入変数のうち少なくとも１つを培養シミュレーションモデルに適用し、第２時点の第２品質属性および第２影響変数を獲得し、前記第２品質属性があらかじめ定められた条件に合うように前記第１注入変数を選択的に変化させ、前記第２時点は、前記第１時点の未来でありうる。

図１は、本発明の一実施形態による細胞培養条件決定装置のブロック図である。 図２は、本発明の一実施形態による細胞培養条件決定装置を示す図である。 図３は、本発明の一実施形態による細胞培養条件決定装置の動作方法を説明するための流れ図である。 図４は、本発明の一実施形態による培養シミュレーションモデルを説明するための流れ図である。 図５は、本発明の一実施形態による培養シミュレーションモデルを説明するための流れ図である。 図６は、本発明の一実施形態による培養シミュレーションモデルを説明するための流れ図である。 図７は、本発明の一実施形態による予測モデルを説明するためのブロック図である。 図８は、本発明の一実施形態による予め定められた条件を説明するための図である。 図９は、本発明の一実施形態による予め定められた条件を説明するための図である。 図１０は、本発明の一実施形態による予め定められた条件を説明するための図である。 図１１は、本発明の一実施形態による予め定められた条件を説明するための図である。 図１２は、本発明の一実施形態によるシミュレーション条件を示す表である。 図１３は、本発明の一実施形態によるシミュレーション結果である。 図１４は、本発明の一実施形態によるシミュレーション結果である。 図１５は、本発明の一実施形態によるシミュレーション結果である。 図１６は、本発明の一実施形態によるシミュレーション結果である。 図１７は、本発明の一実施形態によるシミュレーション結果である。 図１８は、本発明の一実施形態によるバイオリアクターシステムを説明するためのブロック図である。 図１９は、本発明の一実施形態による細胞培養条件決定装置の動作方法を概括的に説明するための流れ図である。

開示された実施形態の利点および特徴、そしてそれらを達成する方法は、添付の図面と共に後述する実施形態を参照すると明確になる。しかしながら、本発明は、以下で開示される実施形態に限定されるものではなく、互いに異なる様々な形態で具現することができ、単に本実施形態は、本発明を完全にし、本発明の属する技術分野における通常の知識を有する者に発明の範疇を完全に知らせるために提供されるものである。

本明細書において使用される用語について簡略に説明し、開示された実施形態について具体的に説明することとする。

本明細書において使用される用語は、本発明における機能を考慮して可能な限り現在広く使用される一般的な用語を選択したが、これは、関連分野に従事する技術者の意図または判例、新しい技術の出現などによって変わることができる。また、特定の場合は、出願人が任意に選定した用語もあり、この場合、該当する発明の説明の部分において詳細にその意味を記載する。したがって、本発明において使用される用語は、単純な用語の名称でなく、その用語が有する意味と本発明の全般にわたった内容に基づいて定義すべきである。

本明細書において、単数の表現は、門脈上明白に単数であると特定しない限り、複数の表現を含む。また、複数の表現は、門脈上明白に複数と特定しない限り、単数の表現を含む。

明細書全般において任意の部分が或る構成要素を「含む」というとき、これは、特に反対になる記載がない限り、他の構成要素を除くものではなく、他の構成要素をさらに含んでもよいことを意味する。

また、明細書において使用される「部」という用語は、ソフトウェアまたはハードウェア構成要素を意味し、「部」は、所定の役割を行う。ところが、「部」は、ソフトウェアまたはハードウェアに限定される意味ではない。「部」は、アドレッシングすることができる保存媒体に位置するように構成されることもでき、一つまたはそれ以上のプロセッサを再生させるように構成されることもできる。したがって、一例として「部」は、ソフトウェア構成要素、オブジェクト指向ソフトウェア構成要素、クラス構成要素およびタスク構成要素のような構成要素と、プロセス、関数、属性、プロシーザー、サブルーチン、プログラムコードのセグメント、ドライバー、ファームウェア、マイクロ コード、回路、データ、データベース、データ構造、テーブル、アレイおよび変数を含む。構成要素と「部」内で提供される機能は、さらに小さい数の構成要素および「部」に結合されるか、またはさらなる構成要素と「部」にさらに分離されてもよい。

本発明の一実施形態によれば、「部」は、プロセッサおよびメモリで具現されてもよい。用語「プロセッサ」は、汎用プロセッサ、中央処理装置（ＣＰＵ）、マイクロプロセッサー、デジタルシグナルプロセッサ（ＤＳＰ）、制御器、マイクロ制御器、状態マシンなどを含むように広く解すべきでする。いくつかの環境では、「プロセッサ」は、注文型半導体（ＡＳＩＣ）、プログラマブルロジックデバイス（ＰＬＤ）、フィープログラマブルゲートアレイ（ＦＰＧＡ）等を指すこともできる。用語「プロセッサ」は、例えば、ＤＳＰとマイクロプロセッサーの組み合わせ、複数のマイクロプロセッサーの組み合わせ、ＤＳＰコアと結合した１つ以上のマイクロプロセッサーの組み合わせ、または任意の他のそのような構成の組み合わせのような処理デバイスの組み合わせを指すこともできる。

用語「メモリ」は、電子情報を保存可能な任意の電子コンポーネントを含むように広く解すべきである。用語「メモリ」は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ）、プログラマブル読み取り専用メモリ（ＰＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（ＥＰＲＯＭ）、電気的消去可能ＰＲＯＭ（ＥＥＰＲＯＭ）、フラッシュメモリ、磁気または光学データ記憶装置、レジスターなどのようなプロセッサ－読み取り可能な媒体の様々な類型を指すこともできる。プロセッサがメモリから情報を読み取り／読み出すか、メモリに情報を記録できると、メモリは、プロセッサと電子通信状態にあると呼ばれる。プロセッサに集積されたメモリは、プロセッサと電子通信状態にある。

以下では、添付の図面を参照して実施形態について本発明の属する技術分野における通常の知識を有する者が容易に実施できるように詳細に説明する。また、図面において本発明を明確に説明するために説明と関係ない部分を省略する。

図１は、本発明の一実施形態による細胞培養条件決定装置１００のブロック図である。
図１を参照すると、一実施形態による細胞培養条件決定装置１００は、データ学習部１１０またはデータ認識部１２０のうち少なくとも１つを含んでもよい。上述のような細胞培養条件決定装置１００は、プロセッサおよびメモリを含んでもよい。本発明において培養条件決定装置１００は、簡単に装置１００と記載することができる。また、装置１００は、ＰＣ、サーバー、タブレット、ワークステーション、およびスマートフォンなどを含んでもよい。装置１００は、入力部および出力部を含んでもよい。入力部は、ユーザから入力を受信するための装置であり、出力部は、情報を音声、映像またはデータの形態で出力するための装置でありうる。装置１００は、外部の装置から情報を送受信するための通信部を含んでもよい。装置１００は、ユーザ端末から情報を受信したり、ユーザ端末に分析結果を送信することができる。

データ学習部１１０は、データセットを用いてターゲットタスク（ｔａｒｇｅｔ ｔａｓｋ）を行うための機械学習モデルを学習することができる。データ学習部１１０は、データセットおよびターゲットタスクと関連したラベル情報を受信することができる。データ学習部１１０は、データセットとラベル情報の関係に対して機械学習を行って、機械学習モデルを獲得することができる。データ学習部１１０が獲得した機械学習モデルは、データセットを用いてラベル情報を予測するためのモデルでありうる。

データ認識部１２０は、データ学習部１１０の機械学習モデルを受信し、保存していてもよい。データ認識部１２０は、入力データに機械学習モデルを適用して予測したラベル情報を出力することができる。また、データ認識部１２０は、入力データ、ラベル情報および機械学習モデルによって出力された結果を機械学習モデルを更新するのに用いることができる。

データ学習部１１０およびデータ認識部１２０のうち少なくとも１つは、少なくとも１つのハードウェアチップ形態で製作され、電子装置に搭載されてもよい。例えば、データ学習部１１０およびデータ認識部１２０のうち少なくとも１つは、人工知能（ＡＩ；ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）のための専用ハードウェアチップ形態で製作されることもでき、または、既存の汎用プロセッサ（例：ＣＰＵまたはａｐｐｌｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ）またはグラフィック専用プロセッサ（例：ＧＰＵ）の一部で製作され、既に説明した各種電子装置に搭載されることもできる。

また、データ学習部１１０およびデータ認識部１２０は、別個の電子装置にそれぞれ搭載されることもできる。例えば、データ学習部１１０およびデータ認識部１２０のうち１つは、電子装置に含まれ、残りの１つは、サーバーに含まれてもよい。また、データ学習部１１０およびデータ認識部１２０は、有線または無線を介して、データ学習部１１０が構築した機械学習モデル情報をデータ認識部１２０に提供することもでき、データ認識部１２０に入力されたデータが追加学習データとしてデータ学習部１１０に提供されることもできる。

なお、データ学習部１１０およびデータ認識部１２０のうち少なくとも１つは、ソフトウェアモジュールで具現されてもよい。データ学習部１１０およびデータ認識部１２０のうち少なくとも１つがソフトウェアモジュール（またはインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）を含むプログラムモジュール）で具現される場合、ソフトウェアモジュールは、メモリまたはコンピュータで読むことができる読み取り可能な非一時的読み取り可能記録媒体（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉａ）に保存され得る。また、この場合、少なくとも１つのソフトウェアモジュールは、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）により提供されたり、所定のアプリケーションにより提供され得る。または、少なくとも１つのソフトウェアモジュールのうち一部は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）により提供され、残りの一部は、所定のアプリケーションにより提供され得る。

本発明の一実施形態によるデータ学習部１１０は、データ獲得部１１１、前処理部１１２、学習データ選択部１１３、モデル学習部１１４およびモデル評価部１１５を含んでもよい。

データ獲得部１１１は、機械学習に必要なデータを獲得することができる。学習のためには、多くのデータを必要とするので、データ獲得部１１１は、複数のデータを含むデータセットを受信することができる。

複数のデータそれぞれに対してラベル情報が割り当てられてもよい。ラベル情報は、複数のデータのそれぞれを説明する情報でありうる。ラベル情報は、ターゲットタスク（ｔａｒｇｅｔ ｔａｓｋ）が導き出そうとする情報でありうる。ラベル情報は、ユーザ入力から獲得したり、メモリから獲得したり、機械学習モデルの結果から獲得することができる。ラベル情報は、実際（ｇｒｏｕｎｄ ｔｒｕｔｈ）情報でありうる。例えば、ターゲットタスクが第１時点の品質属性、影響変数、および注入変数に基づいて第２時点の品質属性または影響変数を予測するものであれば、機械学習に用いられる複数のデータは、第１時点の品質属性、影響変数、および注入変数になり、ラベル情報は、第２時点の品質属性または影響変数になる。ラベル情報は、実際情報であってもよく、ユーザが直接入力したり、装置１００にあらかじめ保存されていてもよい。

前処理部１１２は、受信されたデータが機械学習に利用され得るように、獲得したデータを前処理することができる。前処理部１１２は、後述するモデル学習部１１４が利用できるように、獲得したデータセットをあらかじめ設定されたフォーマットに加工することができる。

学習データ選択部１１３は、前処理したデータの中から学習に必要なデータを選択することができる。選択したデータは、モデル学習部１１４に提供することができる。学習データ選択部１１３は、既定の基準に従って、前処理したデータの中から学習に必要なデータを選択することができる。また、学習データ選択部１１３は、後述するモデル学習部１１４による学習によって既定の基準に従ってデータを選択することもできる。

モデル学習部１１４は、データセットに基づいてどんなラベル情報を出力するかに関する基準を学習することができる。また、モデル学習部１１４は、データセットおよびデータセットに関するラベル情報を学習データとして用いて機械学習を行うことができる。また、モデル学習部１１４は、既存に獲得した機械学習モデルをさらに用いて機械学習を行うことができる。この場合、既存に獲得した機械学習モデルは、あらかじめ構築したモデルでありうる。例えば、機械学習モデルは、基本学習データを入力されてあらかじめ構築したモデルでありうる。

機械学習モデルは、学習モデルの適用分野、学習の目的または装置のコンピュータ性能などを考慮して構築することができる。機械学習モデルは、例えば、神経網（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）をベースとするモデルでありうる。例えば、Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＤＮＮ）、Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＲＮＮ）、Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ ｍｏｄｅｌｓ（ＬＳＴＭ）、ＢＲＤＮＮ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｒｅｃｕｒｒｅｎｔ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ（ＣＮＮ）のようなモデルが機械学習モデルとして用いられ得るが、これらに限定されない。

様々な実施形態によれば、モデル学習部１１４は、あらかじめ構築した機械学習モデルが複数個存在する場合、入力された学習データと基本学習データの関連性が大きい機械学習モデルを学習する機械学習モデルとして決定することができる。この場合、基本学習データは、データのタイプごとに既分類されていてもよく、機械学習モデルは、データのタイプごとにあらかじめ構築されていてもよい。例えば、基本学習データは、学習データが生成された場所、学習データが生成された時間、学習データの大きさ、学習データの生成者、学習データ内のオブジェクトの種類などのような様々な基準に従って既分類されていてもよい。

また、モデル学習部１１４は、例えば、誤差逆伝搬法（ｅｒｒｏｒ ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ）または傾斜降下法（ｇｒａｄｉｅｎｔ ｄｅｓｃｅｎｔ）を含む学習アルゴリズムなどを用いて機械学習モデルを学習させることができる。

また、モデル学習部１１４は、例えば、学習データを入力値とする教師付き学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を用いて、機械学習モデルを学習することができる。また、モデル学習部１１４は、例えば、特に別の教師なくターゲットタスク（ｔａｒｇｅｔ ｔａｓｋ）のために必要なデータの種類を自ら学習することによって、ターゲットタスクのための基準を発見する教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を用いて、機械学習モデルを獲得することができる。また、モデル学習部１１４は、例えば、学習によるターゲットタスクの結果が正しいかに対するフィードバックを用いる強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）を用いて、機械学習モデルを学習することができる。

また、機械学習モデルが学習されると、モデル学習部１１４は、学習された機械学習モデルを保存することができる。この場合、モデル学習部１１４は、学習された機械学習モデルをデータ認識部１２０を含む電子装置のメモリに保存することができる。または、モデル学習部１１４は、学習された機械学習モデルを電子装置と有線または無線ネットワークで連結されるサーバーのメモリに保存することもできる。

学習された機械学習モデルが保存されるメモリは、例えば、電子装置の少なくとも１つの他の構成要素に関連した命令またはデータを共に保存することもできる。また、メモリは、ソフトウェアおよび／またはプログラムを保存することもできる。プログラムは、例えば、カーネル、ミドルウェア、アプリケーションプログラミングインターフェース（ＡＰＩ）および／またはアプリケーションプログラム（または「アプリケーション」）などを含んでもよい。

モデル評価部１１５は、機械学習モデルに評価データを入力し、評価データから出力される結果が所定の基準を満足しない場合、モデル学習部１１４にとって再び学習するようにすることができる。この場合、評価データは、機械学習モデルを評価するための既定のデータでありうる。

例えば、モデル評価部１１５は、評価データに対する学習された機械学習モデルの結果のうち、認識結果が不正確な評価データの個数または割合があらかじめ設定された臨界値を超える場合、所定の基準を満たさないものと評価することができる。例えば、所定の基準が割合２％と定義される場合、学習された機械学習モデルが合計１０００個の評価データ中の２０個を超える評価データに対して誤った認識結果を出力する場合、モデル評価部１１５は、学習された機械学習モデルが適しないものと評価することができる。

なお、学習された機械学習モデルが複数個存在する場合、モデル評価部１１５は、それぞれの学習された機械学習モデルに対して所定の基準を満たすかを評価し、所定の基準を満たすモデルを最終機械学習モデルとして決定することができる。この場合、所定の基準を満たすモデルが複数個である場合、モデル評価部１１５は、評価点数が高い順にあらかじめ設定されたいずれか１つまたは所定個数のモデルを最終機械学習モデルとして決定することができる。

なお、データ学習部１１０内のデータ獲得部１１１、前処理部１１２、学習データ選択部１１３、モデル学習部１１４およびモデル評価部１１５のうち少なくとも１つは、少なくとも１つのハードウェアチップ形態で製作され、電子装置に搭載されてもよい。例えば、データ獲得部１１１、前処理部１１２、学習データ選択部１１３、モデル学習部１１４およびモデル評価部１１５のうち少なくとも１つは、人工知能（ＡＩ；ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）のための専用ハードウェアチップ形態で製作されることもでき、または既存の汎用プロセッサ（例：ＣＰＵまたはａｐｐｌｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ）またはグラフィック専用プロセッサ（例：ＧＰＵ）の一部で製作され、前述した各種電子装置に搭載されることもできる。

また、データ獲得部１１１、前処理部１１２、学習データ選択部１１３、モデル学習部１１４およびモデル評価部１１５は、１つの電子装置に搭載されることもでき、または、別個の電子装置にそれぞれ搭載されることもできる。例えば、データ獲得部１１１、前処理部１１２、学習データ選択部１１３、モデル学習部１１４およびモデル評価部１１５のうち一部は、電子装置に含まれ、残りの一部は、サーバーに含まれてもよい。

また、データ獲得部１１１、前処理部１１２、学習データ選択部１１３、モデル学習部１１４およびモデル評価部１１５のうち少なくとも１つは、ソフトウェアモジュールで具現されてもよい。データ獲得部１１１、前処理部１１２、学習データ選択部１１３、モデル学習部１１４およびモデル評価部１１５のうち少なくとも１つがソフトウェアモジュール（またはインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）を含むプログラムモジュール）で具現される場合、ソフトウェアモジュールは、コンピュータで読むことができる読み取り可能な非一時的読み取り可能記録媒体（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉａ）に保存されてもよい。また、この場合、少なくとも１つのソフトウェアモジュールは、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）により提供されたり、所定のアプリケーションにより提供されてもよい。または少なくとも１つのソフトウェアモジュールのうち一部は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）により提供され、残りの一部は、所定のアプリケーションにより提供されてもよい。

本発明の一実施形態によるデータ認識部１２０は、データ獲得部１２１、前処理部１２２、認識データ選択部１２３、認識結果提供部１２４およびモデル更新部１２５を含んでもよい。

データ獲得部１２１は、入力データを受信することができる。前処理部１２２は、獲得した入力データが認識データ選択部１２３または認識結果提供部１２４で利用され得るように、獲得した入力データを前処理することができる。

認識データ選択部１２３は、前処理したデータの中から必要なデータを選択することができる。選択したデータは、認識結果提供部１２４に提供されてもよい。認識データ選択部１２３は、既定の基準に従って、前処理したデータの中から一部または全部を選択することができる。また、認識データ選択部１２３は、モデル学習部１１４による学習によって既定の基準に従ってデータを選択することもできる。

認識結果提供部１２４は、選択したデータを機械学習モデルに適用し、結果データを獲得することができる。機械学習モデルは、モデル学習部１１４によって生成された機械学習モデルでありうる。認識結果提供部１２４は、結果データを出力することができる。例えば、認識結果提供部１２４は、ユーザの現在生体情報を受信し、ユーザの心理情報を結果データとして出力することができる。

モデル更新部１２５は、認識結果提供部１２４により提供される認識結果に対する評価に基づいて、機械学習モデルを更新することができる。例えば、モデル更新部１２５は、認識結果提供部１２４により提供される認識結果をモデル学習部１１４に提供することによって、モデル学習部１１４が機械学習モデルを更新するようにすることができる。

なお、データ認識部１２０内のデータ獲得部１２１、前処理部１２２、認識データ選択部１２３、認識結果提供部１２４およびモデル更新部１２５のうち少なくとも１つは、少なくとも１つのハードウェアチップ形態で製作され、電子装置に搭載されてもよい。例えば、データ獲得部１２１、前処理部１２２、認識データ選択部１２３、認識結果提供部１２４およびモデル更新部１２５のうち少なくとも１つは、人工知能（ＡＩ；ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）のための専用ハードウェアチップ形態で製作されることもでき、または、既存の汎用プロセッサ（例：ＣＰＵまたはａｐｐｌｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ）またはグラフィック専用プロセッサ（例：ＧＰＵ）の一部で製作され、前述した各種電子装置に搭載されることもできる。

また、データ獲得部１２１、前処理部１２２、認識データ選択部１２３、認識結果提供部１２４およびモデル更新部１２５は、１つの電子装置に搭載されることもでき、または別個の電子装置にそれぞれ搭載されることもできる。例えば、データ獲得部１２１、前処理部１２２、認識データ選択部１２３、認識結果提供部１２４およびモデル更新部１２５のうち一部は、電子装置に含まれ、残りの一部は、サーバーに含まれてもよい。

また、データ獲得部１２１、前処理部１２２、認識データ選択部１２３、認識結果提供部１２４およびモデル更新部１２５のうち少なくとも１つは、ソフトウェアモジュールで具現されてもよい。データ獲得部１２１、前処理部１２２、認識データ選択部１２３、認識結果提供部１２４およびモデル更新部１２５のうち少なくとも１つがソフトウェアモジュール（またはインストラクション（ｉｎｓｔｒｕｃｔｉｏｎ）含むプログラムモジュール）で具現される場合、ソフトウェアモジュールは、コンピュータで読むことができる読み取り可能な非一時的読み取り可能記録媒体（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉａ）に保存されてもよい。また、この場合、少なくとも１つのソフトウェアモジュールは、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）により提供されたり、所定のアプリケーションにより提供されてもよい。または少なくとも１つのソフトウェアモジュールのうち一部は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）により提供され、残りの一部は、所定のアプリケーションにより提供されてもよい。

以下では、データ学習部１１０のデータ獲得部１１１、前処理部１１２および学習データ選択部１１３が学習データを受信して処理する方法および装置についてより詳しく説明する。

図２は、本発明の一実施形態による細胞培養条件決定装置を示す図である。
装置１００は、プロセッサ２１０およびメモリ２２０を含んでもよい。プロセッサ２１０は、メモリ２２０に保存された命令語を行うことができる。

上述したように、装置１００は、データ学習部１１０またはデータ認識部１２０を含んでもよい。データ学習部１１０またはデータ認識部１２０は、プロセッサ２１０およびメモリ２２０により具現されてもよい。

装置１００をより詳しく説明するために、図１８をしばらく参照する。

図１８は、本発明の一実施形態によるバイオリアクターシステムを説明するためのブロック図である。
図１８を参照すると、本発明によるバイオリアクターシステムの一具現例が示されている。図示のように、細胞培養液は、培養期間中にバイオリアクター１８１０で培養した後、収穫する。培養中に、バイオリアクター１８１０内の様々なパラメーターをモニタリングする。パラメーターは、測定器１８２０により測定する。本発明によれば、測定器１８２０は、装置１００に伝達される影響変数および品質属性を周期的にまたは連続的にモニタリングする。

図１８に示されたように、装置１００は、予め定められた条件を受信することができる。装置１００は、予め定められた条件を満たすように複数の注入変数のうち最適な注入変数を選択することができる。装置１００は、１つ以上の予測モデル７３０を含んでもよい。予測モデル７３０は、データ学習部１１０またはデータ認識部１２０に基づいて生成されてもよい。装置１００は、分類モデルまたは予測モデルのうち少なくとも１つを含んでもよい。

分類モデルは、影響変数または品質属性を複数のクラスのうち１つに分類するためのモデルでありうる。クラスは、影響変数または品質属性の範囲でありうる。分類モデルは、影響変数または品質属性が特定のクラスに属する確率を予測することができる。分類モデルは、部分最小自乗分析を単独でまたは線形判別分析も共に含んで様々な多変量解析法を用いることができる。また、分類モデルは、分類ツリー、サポートベクターマシンなどを用いることができる。一具現例において、各分類モデルから生成されたパーセント確率の中央値を細胞培養物に対する最終パーセント確率として用いることができる。

装置１００は、予測モデルを含むものであってもよい。予測モデルは、注入変数によって影響変数および品質属性が未来にどのように変わるかを予測することができる。例えば、図１８に示されたように、装置１００は、注入変数を獲得することができる。装置１００は、注入変数に基づいて未来の影響変数および未来の品質属性を予測することができる。装置１００は、予測モデルを用いて未来の影響変数および未来の品質属性を予測することができる。注入変数の値によって未来の影響変数および未来の品質属性は相異に予測される。装置１００は、細胞培養液内で校正措置が必要であるかを決定するために多数のシミュレーションを繰り返し行うことができる。すなわち、装置１００は、互いに異なる複数の注入変数に対してシミュレーションを繰り返し行うことができる。また、装置１００は、バイオリアクター１８１０で目的物質を最大で生産するための最適な注入変数を獲得することができ、最適な注入変数による未来の品質属性および未来の影響変数を予測することができる。

未来の実際影響変数または未来の実際品質属性が装置１００に提供されることにより、装置１００は、注入変数をさらに変更または修正し、細胞培養液内で１つ以上の条件を変化させるために、全体培養期間にわたって続いてシミュレーションを行うことができる。

図３は、本発明の一実施形態による細胞培養条件決定装置の動作方法を説明するための流れ図である。また、図１９は、本発明の一実施形態による細胞培養条件決定装置の動作方法を概括的に説明するための流れ図である。

まず、本発明の装置１００の動作を図１９を参照して概括的に説明する。装置１００は、培養条件を決定するために、細胞培養液から第１時点の第１品質属性および第１影響変数を獲得する段階１９１０を行うことができる。このような段階１９１０は、図３の段階３１０に対応することができる。

装置１００は、第１注入変数を獲得する段階１９２０を行うことができる。このような段階１９２０は、図３の段階３２０に対応することができる。

装置１００は、第１品質属性、第１影響変数、および第１注入変数のうち少なくとも１つを培養シミュレーションモデルに適用し、第２時点の第２品質属性および第２影響変数を獲得する段階１９３０を行うことができる。このような段階１９３０は、図３の段階３３０に対応することができる。

第２時点は、第１時点の未来でありうる。装置１００は、第２品質属性があらかじめ定められた条件に合うように第１注入変数を選択的に変化させる段階１９４０を行うことができる。このような段階１９４０は、図３の段階３４０および段階３５０に対応することができる。すなわち、装置１００が第１注入変数を選択的に変化させる段階１９４０を行うために段階３４０および段階３５０を行うことができる。

装置１００は、第１注入変数を選択的に変化させるために、複数の第１注入変数を用いて複数のテストを行うことができる。すなわち、装置１００は、複数の第１注入変数に対してそれぞれ第２品質属性および第２影響変数を予測することができる。また、装置１００は、複数の第１注入変数のうちあらかじめ定められた条件に合う第１注入変数を選択することができる。あらかじめ定められた条件は、予測した第２品質属性および予測した第２影響変数が特定範囲内にあることを意味し得る。装置１００は、選択した第１注入変数を用いて細胞培養液の培養条件を修正し、細胞を培養することができる。例えば、装置１００は、変化させた第１注入変数をバイオリアクター１８１０に送信する段階を行うことができる。バイオリアクター１８１０は、変化させた第１注入変数に基づいて培養条件を変更することができる。以下では、このような過程についてより詳しく説明する。

装置１００は、細胞培養液から第１品質属性および第１影響変数を獲得する段階３１０を行うことができる。

品質属性は、装置１００を介して細胞培養液が到達しようとする最終目標と関連した数値である。例えば、品質属性は、細胞培養液（培地）のＶＣＤ（ｖｉａｂｌｅ ｃｅｌｌ ｄｅｎｓｉｔｙ）値またはＩｇＧ（Ｉｍｍｕｎｏｇｌｏｂｕｌｉｎ Ｇ）の量のうち少なくとも１つを含んでもよい。ＶＣＤ値およびＩｇＧの量は、品質属性の種類でありうる。また、品質属性は、Ａｎｔｉｂｏｄｙ ｔｉｔｅｒまたはＡｎｔｉｂｏｄｙ ｑｕａｌｉｔｙ ａｔｔｒｉｂｕｔｅｓを含んでもよい。

影響変数は、培地のグルタミン（Ｇｌｕｔａｍｉｎｅ）の量、グルタメート（Ｇｌｕｔａｍａｔｅ）の量、グルコース（Ｇｌｕｃｏｓｅ）の量、ラクテート（Ｌａｃｔａｔｅ）の量、アンモニア（Ａｍｍｏｎｉａ）の量および浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含んでもよい。グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、グルタメート（Ｇｌｕｔａｍａｔｅ）の量、グルコース（Ｇｌｕｃｏｓｅ）の量、ラクテート（Ｌａｃｔａｔｅ）の量、アンモニア（Ａｍｍｏｎｉａ）の量および浸透圧（Ｏｓｍｏｌａｒｉｔｙ）は、影響変数の種類を意味し得る。本明細書において量は、培地において当該物質の濃度でありうる。例えば、量の単位は、ｃｅｌｌｓ／ｍＬ、ｍｍｏｌ／Ｌまたはｇ／Ｌでありうる。しかしながら、これらに限定されるものではなく、本明細書において量は、物質の絶対的な量を意味し得る。例えば、量の単位は、ｃｅｌｌの個数、ｍｏｌまたはｇでありうる。また、本明細書において量は、全体物質に対する当該物質の割合を意味し得る。例えば、単位は、％でありうる。

また、第１品質属性および第１影響変数は、第１時点の品質属性および影響変数を示すことができる。第１時点は、第２時点に先行する時点でありうる。第１時点は、測定値を有している時点を意味し得る。また、第２時点は、測定値を有していない未来時点であるが、第１時点の測定値に基づいて予測値を獲得できる時点でありうる。第２時点は、第１時点から予め定められた時間が流れた後でありうる。予め定められた時間は、１０分、１時間または１日などでありうる。また、第１時点は、測定値を測定できる時点であるから、時間が経つにつれて変わることができる。例えば、第１時点は、現在でありうる。しかしながら、これらに限定されるものではなく、第１時点は、過去または未来でありうる。第１時点の品質属性、影響変数は、測定された値または未来の予測した値でありうる。第２時点は、第１時点から予め定められた時間が経過した後に、第１時点が変わることにより、第２時点も変わることができる。

第１品質属性は、第１のＶＣＤ値および第１のＩｇＧの量のうち少なくとも１つを含んでもよい。また、第１影響変数は、第１グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第１グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第１グルコース（Ｇｌｕｃｏｓｅ）の量、第１ラクテート（Ｌａｃｔａｔｅ）の量、第１アンモニア（Ａｍｍｏｎｉａ）の量および第１浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含んでもよい。

装置１００は、装置１００に含まれた入力部を用いてユーザから第１品質属性および第１影響変数を獲得することができる。また、装置１００は、外部の装置から第１品質属性および第１影響変数を受信することができる。また、装置１００は、センサーを用いて培地の第１品質属性および第１影響変数を測定することができる。また、装置１００は、メモリにあらかじめ保存されていた第１品質属性および第１影響変数を獲得することができる。また、装置１００は、測定器１８２０により測定された第１品質属性および第１影響変数を獲得することができる。

装置１００は、同一時点に測定された２個以上の種類の第１影響変数を獲得する段階を行うことができる。すなわち、装置１００は、第１グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第１グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第１グルコース（Ｇｌｕｃｏｓｅ）の量、第１ラクテート（Ｌａｃｔａｔｅ）の量、第１アンモニア（Ａｍｍｏｎｉａ）の量、および第１浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち２個以上の種類を測定することができる。しかしながら、これらに限定されるものではなく、装置１００は、１つの第１影響変数を獲得することもできる。

装置１００は、予め定められた範囲内に含まれる複数の第１注入変数を獲得する段階３２０を行うことができる。既に説明したように、装置１００は、第１注入変数を獲得する段階１９２０を行うことができるが、テストのために互いに異なる第１注入変数を用いることができる。すなわち、装置１００は、最適な第１注入変数を選択するために、複数の第１注入変数を獲得することができる。注入変数は、影響変数および品質属性に影響を与える変数でありうる。注入変数は、ユーザにより制御される値でありうる。ユーザは、注入変数を制御し、影響変数および品質属性を変化させることができる。本発明の培養シミュレーションモデルは、現在の注入変数によって未来に影響変数または品質属性を予測することができる。注入変数は、培地で細胞が培養されるように制御される物質と関連した数値でありうる。装置１００は、ユーザから注入変数を入力されてもよい。また、装置１００は、他の装置から注入変数を受信することができる。また、装置１００は、メモリから注入変数を獲得することができる。また、装置１００は、予め定められたアルゴリズムに基づいて注入変数を獲得することができる。例えば、装置１００は、予め定められた範囲内でランダムに注入変数を獲得することができる。

注入変数またはサブ注入変数は、栄養培地（ｆｅｅｄ）の量、栄養培地内グルコース（Ｇｌｕｃｏｓｅ）の量、酸素分子（Ｏ_２）の量、二酸化炭素（ＣＯ_２）分子の量、窒素分子（Ｎ_２）の量、空気の量、ｐＨ値、Ａｇｉｔａｔｏｒ Ｓｐｅｅｄ、Ｖｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、Ｍｅｄｉａ注入日程、およびａｎｔｉｆｏａｍの量のうち少なくとも１つを含んでもよい。ここで、酸素分子の量は、培地内の溶存酸素量を意味し得る。

また、第１注入変数は、第１時点の注入変数を示すことができる。第１時点は、第２時点に先行する時点でありうる。第１時点と第２時点の間隔は、１０分、１時間、または１日などでありうる。例えば、第１注入変数は、第１栄養培地（ｆｅｅｄ）の量、第１栄養培地内グルコース（Ｇｌｕｃｏｓｅ）の量、第１酸素分子の量、第１二酸化炭素分子の量、第１窒素分子の量、第１空気の量、第１のｐＨ値、第１のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ、第１のＶｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、第１のＭｅｄｉａ注入日程、および第１のＡｎｔｉｆｏａｍの量のうち少なくとも１つを含んでもよい。

本発明において「複数の」第１注入変数は、第１栄養培地（ｆｅｅｄ）の量、第１栄養培地内グルコース（Ｇｌｕｃｏｓｅ）の量、第１酸素分子の量、第１二酸化炭素分子の量、第１窒素分子の量、第１空気の量、第１のｐＨ値、第１のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ、第１のＶｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、第１のＭｅｄｉａ注入日程、および第１のＡｎｔｉｆｏａｍの量のうち少なくとも１つを含む第１注入変数のセットが複数あることを意味し得る。

第１注入変数は、予め定められた範囲内に含まれてもよい。予め定められた範囲は、第１注入変数の値の範囲を意味し得る。予め定められた範囲は、第１注入変数の種類によって異なっていてもよい。第１栄養培地（ｆｅｅｄ）の量、第１栄養培地内Ｇｌｕｃｏｓｅの量、第１酸素分子の量、第１二酸化炭素分子の量、第１窒素分子の量、第１空気の量、第１のｐＨ値、第１のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ、第１のＶｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、第１のＭｅｄｉａ注入日程および第１のＡｎｔｉｆｏａｍの量は、それぞれ予め定められた範囲が設定されていてもよい。予め定められた範囲は、実験的に獲得した値であり、品質属性を最大化するための注入変数の範囲でありうる。予め定められた範囲は、ユーザの設定によって変更することができる。

装置１００は、第１時点の最適な注入変数を探すために複数の第１注入変数を用いることができる。装置１００は、予め定められた範囲内に含まれる複数の第１注入変数を獲得する段階３２０を行うとき、以下のような段階をさらに行うことができる。装置１００は、複数のサブ注入変数のうち予め定められた個数のサブ注入変数を選択する段階を行うことができる。

注入変数は、サブ注入変数を含んでもよい。サブ注入変数は、注入変数に含まれた少なくとも１つの種類を意味し得る。または、注入変数は、サブ注入変数のグループを意味し得る。例えば、サブ注入変数は、注入変数に含まれた栄養培地（ｆｅｅｄ）の量、栄養培地内Ｇｌｕｃｏｓｅの量、酸素分子の量、二酸化炭素分子の量、窒素分子の量、空気の量、ｐＨ値、Ａｇｉｔａｔｏｒ Ｓｐｅｅｄ、Ｖｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、Ｍｅｄｉａ注入日程およびａｎｔｉｆｏａｍの量それぞれを意味し得る。複数のサブ注入変数は、栄養培地（ｆｅｅｄ）の量、栄養培地内Ｇｌｕｃｏｓｅの量、酸素分子の量、二酸化炭素分子の量、窒素分子の量、空気の量、ｐＨ値、Ａｇｉｔａｔｏｒ Ｓｐｅｅｄ、Ｖｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、Ｍｅｄｉａ注入日程およびａｎｔｉｆｏａｍの量を意味し得る。

装置１００は、サブ注入変数のうち予め定められた個数を選択することができる。例えば、予め定められた個数は、２個でありうる。装置１００は、ユーザの入力に基づいて予め定められた個数のサブ注入変数を選択することができる。または、装置１００は、自動で予め定められた個数のサブ注入変数を選択することができる。例えば、予め定められた個数が２個である場合、選択したサブ注入変数は、ｐＨ値および／または酸素分子の量でありうる。

また、装置１００は、選択したサブ注入変数ごとに候補値を獲得する段階を行うことができる。予め定められた範囲は、サブ注入変数ごとに異なっていてもよい。装置１００は、選択したサブ注入変数ごとに候補値を自動または手動で獲得することができる。装置１００は、予め定められた範囲内で選択したサブ注入変数に対する候補値を選択し、選択したサブ注入変数ごとに候補値を獲得することができる。より具体的には、装置１００は、予め定められた範囲を複数の候補範囲で割ることができる。装置１００は、予め定められた範囲を予め定められた範囲の個数ｎでｎ等分することができる。予め定められた範囲の個数は、サブ注入変数ごとに異なっていてもよい。また、装置１００は、複数の候補範囲ごとに代表値を選択し、候補値を獲得することができる。候補範囲の代表値は、候補範囲の中央値または候補範囲の最小および最大の平均でありうる。

例えば、サブ注入変数である酸素分子の量（培地内の溶存酸素量、％）の予め定められた範囲は、１５以上～５５未満でありうる。装置１００は、複数の候補範囲を１５－２５、２５－３５、３５－４５、および４５－５５と決定することができる。装置１００は、複数の候補範囲の中央値である２０、３０、４０、５０を酸素分子の量（％）の候補値と決定することができる。同様に、サブ注入変数であるｐＨ値の予め定められた範囲は、５．５以上８．５未満でありうる。装置１００は、複数の候補範囲を５．５－６．５、６．５－７．５、７．５－８．５と決定することができる。また、装置１００は、複数の候補範囲の中央値である６、７、８をｐＨ値の候補値と決定することができる。同様に、Ａｇｉｔａｔｏｒ Ｓｐｅｅｄ（ＲＰＭ）の予め定められた範囲は、７５以上３２５以下でありうる。上記のような方式で、装置１００は、１００、１５０、２００、２５０、３００をＡｇｉｔａｔｏｒ Ｓｐｅｅｄ（ＲＰＭ）の候補値と決定することができる。

装置１００は、複数のサブ注入変数のうち選択しないサブ注入変数は、予め定められた基本値に設定し、選択したサブ注入変数は、候補値のうち１つに設定し、複数の第１注入変数を獲得する段階を行うことができる。予め定められた基本値は、サブ注入変数の種類によって異なっていてもよい。例えば、Ｖｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅの基本値は、３６．９５℃でありうる。

装置１００は、選択したサブ注入変数の候補の組み合わせに基づいて複数の第１注入変数を獲得することができる。例えば、酸素分子の量（％）の候補値は、２０、３０、４０、５０のように４個であり、ｐＨ値の候補値は、６、７、８のように３個であり、Ａｇｉｔａｔｏｒ Ｓｐｅｅｄ（ＲＰＭ）の候補値は、１００、１５０、２００、２５０、３００のように５個である場合、６０個の組み合わせが作られる。すなわち、複数の第１注入変数は、６０個でありうる。上記の例は、酸素分子の量（％）、ｐＨ値、およびＡｇｉｔａｔｏｒ Ｓｐｅｅｄ（ＲＰＭ）のような３個のサブ注入変数を選択した場合である。しかしながら、これらに限定されるものではない。すなわち、選択したサブ注入変数の個数は、３個以外の値であってもよく、酸素分子の量（％）、ｐＨ値、およびＡｇｉｔａｔｏｒ Ｓｐｅｅｄ（ＲＰＭ）以外のサブ注入変数を選択することもできる。

装置１００は、６０個の注入変数に対してテストを行って、６０個の注入変数それぞれに対して６０個の予測した影響変数および６０個の予測した品質属性を生成することができる。また、装置１００は、品質属性が最も良い最適な第１注入変数を選択することができる。ここで、テストは、段階３３０～段階３５０を意味し得る。簡略に説明すれば、テストは、複数の第１注入変数を培養シミュレーションモデルに適用し、第２時点の複数の第２品質属性および複数の第２影響変数を予測し、複数の第２品質属性のうち最も高い値に対応する第１注入変数を最適な第１注入変数として選択する過程を意味し得る。

装置１００は、最適な第１注入変数に対する予め定められた範囲に対して更なるテストを行って、品質属性がより良い最適の第１注入変数を決定することができる。例えば、最適な第１注入変数に含まれたｐＨ値が７でありうる。しかしながら、７は、ただ代表値であり、６．５以上７．５未満の値のうち最適な値がありえる。装置１００は、６．５以上７．５未満の範囲を複数の候補範囲で割って、候補値を決定し、最適の第１注入変数を決定することができる。最適の第１注入変数を決定する過程は、最適な第１注入変数を決定する過程と同一なので、詳しい説明を省略する。

図３を参照すると、装置１００は、第１品質属性、第１影響変数、および第１注入変数のうち少なくとも１つを培養シミュレーションモデルに適用し、複数の第２品質属性および複数の第２影響変数を獲得する段階３３０を行うことができる。培養シミュレーションモデルは、複数のサブ予測モデルの予測結果を用いることができる。サブ予測モデルは、培養シミュレーションモデルを構成する予測モデルでありうる。例えば、装置１００は、第１時点の第１品質属性、第１影響変数および第１注入変数を培養シミュレーションモデルに含まれた１つのサブ予測モデルに適用し、第２時点の第２影響変数に含まれた第２サブ影響変数を獲得することができる。装置１００は、複数のサブ予測モデルを用いて第２時点の第２影響変数に含まれたすべてのサブ影響変数を獲得することができる。また、装置１００は、培養シミュレーションモデルに含まれた１つのサブ予測モデルに基づいて第２時点の第２品質属性を獲得することができる。

培養シミュレーションモデルは、少なくとも１つのサブ予測モデルが結合して形成された予測モデルでありうる。培養シミュレーションモデルは、グルタミン（Ｇｌｕｔａｍｉｎｅ）変化量予測モデル、グルタメート（Ｇｌｕｔａｍａｔｅ）変化量予測モデル、ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデル、ラクテート（Ｌａｃｔａｔｅ）変化量予測モデル、アンモニア（Ａｍｍｏｎｉａ）変化量予測モデル、浸透圧予測モデル、Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデル、Ｖｉａｂｉｌｉｔｙ変化量予測モデルおよびＶＣＤ当たりのＩｇＧ生成量予測モデルのうち少なくとも１つを含んでもよい。培養シミュレーションモデルを用いて複数の第２品質属性および複数の第２影響変数を獲得する過程については、図４～図６で説明する。培養シミュレーションモデルに含まれたサブ予測モデルは、並列的に行われてもよい。しかしながら、これらに限定されるものではなく、培養シミュレーションモデルに含まれたサブ予測モデルは、直列的に行われてもよい。

培養シミュレーションモデルに含まれたサブ予測モデルは、アンサンブル予測モデルを用いて生成することができる。アンサンブル予測モデルは、ＮＧＢｏｏｓｔとＸＧＢｏｏｓｔを含んでもよい。サブ予測モデルを生成するための機械学習アルゴリズムは、ＮＧＢｏｏｓｔモデルまたはＸＧＢｏｏｓｔモデルを含むディシジョンツリーおよび線形判別分析を用いることができる。アンサンブル予測モデルは、学習アルゴリズム（ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ）を別々に用いる場合に比べて、より良い予測性能を得るために多数の学習アルゴリズムを用いる方法である。すなわち、アンサンブル予測モデルは、１つのターゲットタスク（ｔａｒｇｅｔ ｔａｓｋ、例えば、Ｌａｃｔａｔｅ濃度予測）に対して１つのマシンランニングモデルのみを学習させて用いる場合、当該結果値を信頼しにくい場合もあるため、他のマシンランニングモデルも同一ターゲットタスクに対して一緒に学習させて各々の結果値を導出させた後、その導出した様々な結果値を基に最終予測値を決定する技術である。例えば、Ｌａｃｔａｔｅ濃度を予測するターゲットタスクにおいてＡモデルでは１ｇ／Ｌという予測結果が出、Ｂモデルでは２ｇ／Ｌという予測結果が出たとすれば、この２つの結果を平均した１．５ｇ／Ｌを最終予測値として決定することをアンサンブル予測モデルといえる。

また、アンサンブル予測モデルは、Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇマシンランニング技法をベースとするＮＧＢｏｏｓｔとＸＧＢｏｏｓｔを含んでもよい。例えば、アンサンブル予測モデルは、まず、単純な構造を有するターゲットタスクを概括的に学習したＡモデルを含んでもよい。また、アンサンブル予測モデルは、Ａモデルよりさらに細部的な部分を学習したＢモデルを含んでもよい。また、アンサンブル予測モデルは、Ｂモデルよりさらに細部的な部分を学習したモデルを含んでもよい。アンサンブル予測モデルは、ＡモデルまたはＢモデルなどを用いてターゲットタスクに対する予測情報を出力することができる。

培養シミュレーションモデルに含まれたサブ予測モデルは、それぞれアンサンブル予測モデルを用いて生成することができる。すなわち、Ｇｌｕｔａｍｉｎｅ変化量予測モデル、Ｇｌｕｔａｍａｔｅ変化量予測モデル、ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデル、Ｌａｃｔａｔｅ変化量予測モデル、Ａｍｍｏｎｉａ変化量予測モデル、浸透圧予測モデル、Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデル、Ｖｉａｂｉｌｉｔｙ変化量予測モデル、およびＶＣＤ当たりのＩｇＧ生成量予測モデルのうち１つは、アンサンブル予測モデルを用いて生成することができる。

装置１００は、「複数の」第１注入変数に基づいて第２時点の影響変数および品質属性のうち少なくとも１つを予測するので、「複数の」第２影響変数および「複数の」第２品質属性のうち少なくとも１つを生成することができる。本発明において「複数の」第２品質属性は、第２のＶＣＤおよび第２のＩｇＧの量を含む第２品質属性のセットが複数あることを意味し得る。また、本発明において「複数の」第２影響変数は、第２グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第２グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第２グルコース（Ｇｌｕｃｏｓｅ）の量、第２ラクテート（Ｌａｃｔａｔｅ）の量、第２アンモニア（Ａｍｍｏｎｉａ）の量、および第２浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含む第２影響変数のセットが複数あることを意味し得る。

装置１００は、測定された２個以上の種類の第１影響変数に基づいて予測した第２影響変数を獲得する段階を行うことができる。第２影響変数に含まれた影響変数の種類は、２個以上でありうる。第１影響変数の種類および第２影響変数の種類は、同じでもよい。しかしながら、これらに限定されるものではなく、第１影響変数の種類と第２影響変数の種類は、互いに異なっていてもよい。また、第１影響変数の種類の個数と第２影響変数の種類の個数は、互いに異なっていてもよい。

装置１００は、複数の第２影響変数および複数の第２品質属性のうちあらかじめ定められた条件に合う第２影響変数および第２品質属性を選択する段階３４０を行うことができる。あらかじめ定められた条件は、図８～図１１と関連して説明する。

装置１００は、複数の第１注入変数のうち選択した第２品質属性に対応する第１注入変数を選択する段階３５０を行うことができる。また、装置１００は、選択した第１注入変数を最適な注入変数として決定することができる。また、装置１００は、最適な注入変数をバイオリアクター１８１０に送信することができる。また、バイオリアクター１８１０は、受信した最適な注入変数に基づいて第１時点に対する培養条件を決定することができる。また、バイオリアクター１８１０は、培養液の測定値および受信した最適な注入変数を比較し、培養液の測定値が受信した最適な注入変数に到達するように制御することによって、バイオリアクターは、抗体を最大で生産することができる。

図４は、本発明の一実施形態による培養シミュレーションモデルを説明するための流れ図である。図５は、本発明の一実施形態による培養シミュレーションモデルを説明するための流れ図である。図６は、本発明の一実施形態による培養シミュレーションモデルを説明するための流れ図である。

複数の第２品質属性および複数の第２影響変数を獲得する段階３３０は、図４～図６の過程を含んでもよい。図４～図６を参照すると、装置１００は、グルタミン（Ｇｌｕｔａｍｉｎｅ）の量およびグルタメート（Ｇｌｕｔａｍａｔｅ）の量を予測し、予測したグルタミン（Ｇｌｕｔａｍｉｎｅ）の量および予測したグルタメート（Ｇｌｕｔａｍａｔｅ）の量に基づいて影響変数を更新する構成を含んでもよい。また、装置１００は、グルコース（Ｇｌｕｃｏｓｅ）の消費量を予測し、予測したグルコース（Ｇｌｕｃｏｓｅ）の消費量に基づいて影響変数を更新する構成を含んでもよい。また、装置１００は、ラクテート（Ｌａｃｔａｔｅ）の量を予測し、予測したラクテート（Ｌａｃｔａｔｅ）の量に基づいて影響変数を更新する構成を含んでもよい。また、装置１００は、アンモニア（Ａｍｍｏｎｉａ）の量を予測し、予測したアンモニア（Ａｍｍｏｎｉａ）の量に基づいて影響変数を更新する構成を含んでもよい。また、装置１００は、浸透圧（Ｏｓｍｏｌａｒｉｔｙ）を予測し、予測した浸透圧（Ｏｓｍｏｌａｒｉｔｙ）に基づいて影響変数を更新することができる。また、装置１００は、細胞分裂率および細胞死亡率を予測し、予測した細胞分裂率および細胞死亡率に基づいて品質属性に含まれたＶＣＤ値またはＩｇＧの量を予測することができる。以下では、上記のような構成についてより詳しく説明する。

図４を参照すると、装置１００は、第１品質属性、第１影響変数および複数の第１注入変数をＧｌｕｔａｍｉｎｅ変化量予測モデルに適用し、複数の第２影響変数に含まれた複数の第２のＧｌｕｔａｍｉｎｅの量を獲得する段階４１０を行うことができる。

第２影響変数は、第２グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第２グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第２グルコース（Ｇｌｕｃｏｓｅ）の量、第２ラクテート（Ｌａｃｔａｔｅ）の量、第２アンモニア（Ａｍｍｏｎｉａ）の量および第２浸透圧（Ｏｓｏｌａｒｉｔｙ）のうち少なくとも１つを含んでもよい。本発明において「量」は、密度でありうる。例えば、量の単位は、ｃｅｌｌｓ／ｍＬ、ｍｍｏｌ／Ｌまたはｇ／Ｌと同じでもよい。しかしながら、これらに限定されるものではなく、本発明において量は、物質の絶対的な量を意味し得る。例えば、量の単位は、ｃｅｌｌの個数、ｍｏｌまたはｇでありうる。また、本発明において量は、全体物質に対する当該物質の割合を意味し得る。例えば、単位は、％でありうる。

複数の第２のＧｌｕｔａｍｉｎｅの量が獲得される理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の第２のＧｌｕｔａｍｉｎｅの量と一対一で対応することができる。既に説明したように、複数の第１注入変数は、注入変数に含まれたサブ注入変数の候補値を用いて生成された組み合わせである。複数の第１注入変数のうち１つを用いて複数の第２のＧｌｕｔａｍｉｎｅの量のうち１つを獲得することができる。

また、装置１００は、複数の第２のＧｌｕｔａｍｉｎｅの量のうち１つに基づいて第１－１影響変数を獲得する段階を行うことができる。本発明の一実施形態によれば、装置１００は、第１影響変数に含まれた第１のＧｌｕｔａｍｉｎｅの量を複数の第２のＧｌｕｔａｍｉｎｅの量のうち１つに置き換えて第１－１影響変数を獲得する段階４２０を行うことができる。すなわち、装置１００は、段階４２０以降の段階に対して変更された第１影響変数を用いることができ、変更された第１影響変数は、第１－１影響変数でありうる。

既に説明したように、装置１００は、複数の第１注入変数を用いて複数の第２のＧｌｕｔａｍｉｎｅの量を生成することができる。また、装置１００は、複数の第２のＧｌｕｔａｍｉｎｅの量を用いて第１影響変数を更新することができる。したがって、装置１００は、複数の第２のＧｌｕｔａｍｉｎｅの量と一対一で対応する複数の第１－１影響変数を獲得することができる。また、複数の第１注入変数は、複数の第２のＧｌｕｔａｍｉｎｅの量と一対一で対応するので、複数の第１－１影響変数は、複数の第１注入変数と一対一で対応することができる。装置１００は、複数の第１注入変数のうち１つを用いて１つの第２のＧｌｕｔａｍｉｎｅの量を生成することができる。また、装置１００は、複数の第１注入変数のうち前記１つに対応する第１－１影響変数を獲得することができる。装置１００は、段階４２０以降の段階で複数の第１注入変数のうち上記１つおよび複数の第１注入変数のうち前記１つに対応する第１－１影響変数をサブ予測モデルに適用することができる。

また、段階４２０は、以下のような段階に置き換えることができる。すなわち、装置１００は、第１影響変数に含まれた第１のＧｌｕｔａｍｉｎｅの量を第１のＧｌｕｔａｍｉｎｅの量および第２のＧｌｕｔａｍｉｎｅの量の重み付き平均に置き換えて、第１－１影響変数を獲得する段階４２０を行うことができる。重み付き平均は、ｗ１＊（第１のＧｌｕｔａｍｉｎｅの量）＋ｗ２＊（第２のＧｌｕｔａｍｉｎｅの量）と同じでもよい。ここで、ｗ１＋ｗ２＝１であり、ｗ１およびｗ２は、０以上１以下でありうる。

装置１００は、第１品質属性、第１－１影響変数、および複数の第１注入変数をＧｌｕｔａｍａｔｅ変化量予測モデルに適用し、複数の第２影響変数に含まれた複数の第２のＧｌｕｔａｍａｔｅの量を獲得する段階４３０を行うことができる。段階４１０および段階４３０のように、ＧｌｕｔａｍｉｎｅとＧｌｕｔａｍａｔｅを最初に予測する理由は、これらが栄養培地（Ｆｅｅｄ）の注入により最も直接的に影響される変数であるためである。装置１００は、段階４３０を行うとき、第１－１影響変数を第１影響変数に置き換えることができる。すなわち、装置１００は、第１品質属性、第１影響変数、および複数の第１注入変数をＧｌｕｔａｍａｔｅ変化量予測モデルに適用し、複数の第２影響変数に含まれた複数の第２のＧｌｕｔａｍａｔｅの量を獲得する段階４３０を行うことができる。

複数の第２のＧｌｕｔａｍａｔｅの量を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の第２のＧｌｕｔａｍａｔｅの量と一対一で対応することができる。複数の第１注入変数のうち１つを用いて複数の第２のＧｌｕｔａｍａｔｅの量のうち１つを獲得することができる。

また、装置１００は、複数の第２のＧｌｕｔａｍａｔｅの量のうち１つに基づいて第１－２影響変数を獲得する段階を行うことができる。本発明の一実施形態による装置１００は、第１－１影響変数に含まれた第１のＧｌｕｔａｍａｔｅの量を複数の第２のＧｌｕｔａｍａｔｅの量のうち１つに置き換えて第１－２影響変数を獲得する段階４４０を行うことができる。すなわち、装置１００は、段階４４０以降の段階に対して変更された第１影響変数を用いることができ、変更された第１影響変数は、第１－２影響変数でありうる。

装置１００は、複数の第２のＧｌｕｔａｍａｔｅの量と一対一で対応する複数の第１－２影響変数を獲得することができる。また、複数の第１－２影響変数は、複数の第１注入変数と一対一で対応することができる。装置１００は、段階４３０で複数の第１注入変数のうち１つの第１注入変数を用いて１つの第２のＧｌｕｔａｍａｔｅの量を生成することができる。また、装置１００は、段階４４０で前記１つの第１注入変数に対応する第１－２影響変数を獲得することができる。装置１００は、段階４４０以降の段階で前記１つの第１注入変数および複数の第１－２影響変数のうち前記１つの第１注入変数に対応する１つの第１－２影響変数をサブ予測モデルに適用することができる。

また、段階４４０は、以下のような段階に置き換えることができる。すなわち、装置１００は、第１－１影響変数に含まれた第１のＧｌｕｔａｍａｔｅの量を第１のＧｌｕｔａｍａｔｅの量および第２のＧｌｕｔａｍａｔｅの量の重み付き平均に置き換えて第１－２影響変数を獲得する段階４４０を行うことができる。重み付き平均は、ｗ３＊（第１のＧｌｕｔａｍａｔｅの量）＋ｗ４＊（第２のＧｌｕｔａｍａｔｅの量）と同じでもよい。ここで、ｗ３＋ｗ４＝１であり、ｗ３およびｗ４は、０以上１以下でありうる。

図５を参照すると、装置１００は、第１品質属性、第１－２影響変数、および複数の第１注入変数をＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデルに適用し、複数のＧｌｕｃｏｓｅ消費量を獲得する段階５１０を行うことができる。また、装置１００は、第１影響変数に含まれた第１のＧｌｕｃｏｓｅの量から複数のＧｌｕｃｏｓｅ消費量を差し引いて複数の第２影響変数に含まれた複数の第２のＧｌｕｃｏｓｅの量を獲得する段階５２０を行うことができる。装置１００は、段階５２０を行うとき、第１－２影響変数を第１影響変数または第１－１影響変数に置き換えることができる。すなわち、装置１００は、第１品質属性、第１影響変数、第１－１影響変数、第１－２影響変数、および複数の第１注入変数のうち少なくとも１つをＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデルに適用し、複数のＧｌｕｃｏｓｅ消費量を獲得する段階５１０を行うことができる。

複数のＧｌｕｃｏｓｅ消費量および複数の第２のＧｌｕｃｏｓｅの量を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数のＧｌｕｃｏｓｅ消費量と一対一で対応することができる。また、複数の第１注入変数は、複数の第２のＧｌｕｃｏｓｅの量と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数のＧｌｕｃｏｓｅ消費量のうち１つおよび複数の第２のＧｌｕｃｏｓｅの量のうち１つを獲得することができる。

もし、複数のＧｌｕｃｏｓｅ消費量のうち１つのＧｌｕｃｏｓｅ消費量が第１時点の第１のＧｌｕｃｏｓｅの量より多い場合、装置１００は、Ｇｌｕｃｏｓｅ枯渇が予想される場合、警告を出力することができる。または、装置１００は、当該Ｇｌｕｃｏｓｅ消費量に対応する第１注入変数を複数の第１注入変数から除去することができる。すなわち、装置１００は、Ｇｌｕｃｏｓｅ消費量が第１時点の第１のＧｌｕｃｏｓｅの量より多くなると予測される第１注入変数を最適な注入変数を探すのに用いなくてもよい。

また、装置１００は、複数の第２のＧｌｕｃｏｓｅの量のうち１つに基づいて第１－３影響変数を獲得する段階を行うことができる。本発明の一実施形態による装置１００は、第１－２影響変数に含まれた第１のＧｌｕｃｏｓｅの量を複数の第２のＧｌｕｃｏｓｅの量のうち１つに置き換えて第１－３影響変数を獲得する段階５３０を行うことができる。すなわち、装置１００は、段階５３０以降の段階に対して変更された第１影響変数を用いることができ、変更された第１影響変数は、第１－３影響変数でありうる。

装置１００は、複数の第２のＧｌｕｃｏｓｅの量と一対一で対応する複数の第１－３影響変数を獲得することができる。また、複数の第１－３影響変数は、複数の第１注入変数と一対一で対応することができる。装置１００は、段階５２０で複数の第１注入変数のうち１つの第１注入変数を用いて１つの第２のＧｌｕｃｏｓｅの量を生成することができる。また、装置１００は、段階５３０で前記１つの第１注入変数に対応する第１－３影響変数を獲得することができる。装置１００は、段階５３０以降の段階で前記１つの第１注入変数および複数の第１－３影響変数のうち前記１つの第１注入変数に対応する１つの第１－３影響変数をサブ予測モデルに適用することができる。

また、段階５３０は、以下のような段階に置き換えることができる。すなわち、装置１００は、第１－２影響変数に含まれた第１のＧｌｕｃｏｓｅの量を第１のＧｌｕｃｏｓｅの量および第２のＧｌｕｃｏｓｅの量の重み付き平均に置き換えて第１－３影響変数を獲得する段階５３０を行うことができる。重み付き平均は、ｗ５＊（第１のＧｌｕｃｏｓｅの量）＋ｗ６＊（第２のＧｌｕｃｏｓｅの量）と同じでもよい。ここで、ｗ５＋ｗ６＝１であり、ｗ５およびｗ６は、０以上１以下でありうる。

図５を参照すると、装置１００は、第１品質属性、第１－３影響変数、および複数の第１注入変数をＬａｃｔａｔｅ変化量予測モデルに適用し、複数の第２影響変数に含まれた複数の第２のＬａｃｔａｔｅの量を獲得する段階５４０を行うことができる。

複数の第２のＬａｃｔａｔｅの量を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の第２のＬａｃｔａｔｅの量と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数の第２のＬａｃｔａｔｅの量のうち１つを獲得することができる。

装置１００は、段階５４０を行うとき、第１－３影響変数を第１影響変数、第１－１影響変数、または第１－２影響変数のうち少なくとも１つに置き換えることができる。すなわち、装置１００は、第１品質属性、第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、および複数の第１注入変数のうち少なくとも１つをＬａｃｔａｔｅ変化量予測モデルに適用し、複数の第２影響変数に含まれた複数の第２のＬａｃｔａｔｅの量を獲得する段階５４０を行うことができる。

また、装置１００は、複数の第２のＬａｃｔａｔｅの量のうち１つに基づいて第１－４影響変数を獲得する段階を行うことができる。装置１００は、第１－３影響変数に含まれた第１のＬａｃｔａｔｅの量を複数の第２のＬａｃｔａｔｅの量のうち１つに置き換えて第１－４影響変数を獲得する段階５５０を行うことができる。すなわち、装置１００は、段階５５０以降の段階に対して変更された第１影響変数を用いることができ、変更された第１影響変数は、第１－４影響変数でありうる。

装置１００は、複数の第２のＬａｃｔａｔｅの量と一対一で対応する複数の第１－４影響変数を獲得することができる。また、複数の第１－４影響変数は、複数の第１注入変数と一対一で対応することができる。装置１００は、段階５４０で複数の第１注入変数のうち１つの第１注入変数を用いて１つの第２のＬａｃｔａｔｅの量を生成することができる。また、装置１００は、段階５５０で前記１つの第１注入変数に対応する第１－４影響変数を獲得することができる。装置１００は、段階５５０以降の段階で前記１つの第１注入変数および複数の第１－４影響変数のうち前記１つの第１注入変数に対応する１つの第１－４影響変数をサブ予測モデルに適用することができる。

また、段階５５０は、以下のような段階に置き換えることができる。すなわち、装置１００は、第１－３影響変数に含まれた第１のＬａｃｔａｔｅの量を第１のＬａｃｔａｔｅの量および第２のＬａｃｔａｔｅの量の重み付き平均に置き換えて第１－４影響変数を獲得する段階５５０を行うことができる。重み付き平均は、ｗ７＊（第１のＬａｃｔａｔｅの量）＋ｗ８＊（第２のＬａｃｔａｔｅの量）と同じでもよい。ここで、ｗ７＋ｗ８＝１であり、ｗ７およびｗ８は、０以上１以下でありうる。

図５を参照すると、装置１００は、第１品質属性、第１－４影響変数、および複数の第１注入変数をＡｍｍｏｎｉａ変化量予測モデルに適用し、複数の第２影響変数に含まれた複数の第２のＡｍｍｏｎｉａの量を獲得する段階５６０を行うことができる。

複数の第２のＡｍｍｏｎｉａの量を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の第２のＡｍｍｏｎｉａの量と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数の第２のＡｍｍｏｎｉａの量のうち１つを獲得することができる。

装置１００は、段階５６０を行うとき、第１－４影響変数を第１影響変数、第１－１影響変数、第１－２影響変数、または第１－３影響変数のうち少なくとも１つに置き換えることができる。すなわち、装置１００は、第１品質属性、第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、第１－４影響変数、および複数の第１注入変数のうち少なくとも１つをＡｍｍｏｎｉａ変化量予測モデルに適用し、複数の第２影響変数に含まれた複数の第２のＡｍｍｏｎｉａの量を獲得する段階５６０を行うことができる。

また、装置１００は、複数の第２のＡｍｍｏｎｉａの量のうち１つに基づいて第１－５影響変数を獲得する段階を行うことができる。例えば、第１－４影響変数に含まれた第１のＡｍｍｏｎｉａの量を複数の第２のＡｍｍｏｎｉａの量のうち１つに置き換えて第１－５影響変数を獲得する段階５７０を行うことができる。すなわち、装置１００は、段階５７０以降の段階に対して変更された第１影響変数を用いることができ、変更された第１影響変数は、第１－５影響変数でありうる。

装置１００は、複数の第２のＡｍｍｏｎｉａの量と一対一で対応する複数の第１－５影響変数を獲得することができる。また、複数の第１－５影響変数は、複数の第１注入変数と一対一で対応することができる。装置１００は、段階５６０で複数の第１注入変数のうち１つの第１注入変数を用いて１つの第２のＡｍｍｏｎｉａの量を生成することができる。また、装置１００は、段階５７０で前記１つの第１注入変数に対応する第１－５影響変数を獲得することができる。装置１００は、段階５７０以降の段階で前記１つの第１注入変数および複数の第１－５影響変数のうち前記１つの第１注入変数に対応する１つの第１－５影響変数をサブ予測モデルに適用することができる。

また、段階５７０は、以下のような段階に置き換えることができる。すなわち、装置１００は、第１－４影響変数に含まれた第１のＡｍｍｏｎｉａの量を第１のＡｍｍｏｎｉａの量および第２のＡｍｍｏｎｉａの量の重み付き平均に置き換えて第１－５影響変数を獲得する段階５７０を行うことができる。重み付き平均は、ｗ９＊（第１のＡｍｍｏｎｉａの量）＋ｗ１０＊（第２のＡｍｍｏｎｉａの量）と同じでもよい。ここで、ｗ９＋ｗ１０＝１であり、ｗ９およびｗ１０は、０以上１以下でありうる。

図５を参照すると、装置１００は、第１品質属性、第１－５影響変数、および複数の第１注入変数を浸透圧予測モデルに適用し、複数の第２影響変数に含まれた複数の第２浸透圧を獲得する段階５８０を行うことができる。

複数の第２浸透圧を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の第２浸透圧と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数の第２浸透圧のうち１つを獲得することができる。

装置１００は、段階５８０を行うとき、第１－５影響変数を第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、または第１－４影響変数のうち１つに置き換えることができる。すなわち、装置１００は、第１品質属性、第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、第１－４影響変数、第１－５影響変数、および複数の第１注入変数のうち少なくとも１つを浸透圧予測モデルに適用し、複数の第２影響変数に含まれた複数の第２浸透圧を獲得する段階５８０を行うことができる。また、装置１００は、複数の第２浸透圧のうち１つに基づいて第１－６影響変数を獲得する段階を行うことができる。より具体的には、第１－６影響変数に含まれた第１浸透圧を複数の第２浸透圧のうち１つに置き換えて第１－６影響変数を獲得する段階５９０を行うことができる。すなわち、装置１００は、段階５９０以降の段階に対して変更された第１影響変数を用いることができ、変更された第１影響変数は、第１－６影響変数でありうる。

装置１００は、複数の第２浸透圧と一対一で対応する複数の第１－６影響変数を獲得することができる。また、複数の第１－６影響変数は、複数の第１注入変数と一対一で対応することができる。装置１００は、段階５８０で複数の第１注入変数のうち１つの第１注入変数を用いて１つの第２浸透圧を生成することができる。また、装置１００は、段階５９０で前記１つの第１注入変数に対応する第１－６影響変数を獲得することができる。装置１００は、段階５９０以降の段階で前記１つの第１注入変数および複数の第１－６影響変数のうち前記１つの第１注入変数に対応する１つの第１－６影響変数をサブ予測モデルに適用することができる。

また、段階５９０は、以下のような段階に置き換えることができる。すなわち、装置１００は、第１－５影響変数に含まれた第１浸透圧を第１浸透圧および第２浸透圧の重み付き平均に置き換えて第１－６影響変数を獲得する段階５９０を行うことができる。重み付き平均は、ｗ１１＊（第１のＡｍｍｏｎｉａの量）＋ｗ１２＊（第２のＡｍｍｏｎｉａの量）と同じでもよい。ここで、ｗ１１＋ｗ１２＝１であり、ｗ１１およびｗ１２は、０以上１以下でありうる。

図６は、上記のように変更された影響変数を用いて品質属性を更新する過程を説明する。変更された影響変数は、第１－６影響変数でありうる。すなわち、図６は、第２時点の品質属性を予測する過程を示す。

図６を参照すると、装置１００は、第１品質属性、第１－６影響変数、および複数の第１注入変数をＣｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデルに適用し、複数の細胞の分裂率を獲得する段階６１０を行うことができる。細胞の分裂率は、第１時点の細胞が分裂した割合でありうる。例えば、分裂率が３００％というのは、細胞が３倍増加したことを意味し得る。

装置１００は、段階６１０を行うとき、第１－６影響変数を第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、第１－４影響変数、または第１－５影響変数のうち１つに置き換えることができる。装置１００は、第１品質属性、第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、第１－４影響変数、第１－５影響変数、第１－６影響変数、および複数の第１注入変数のうち少なくとも１つをＣｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデルに適用し、複数の細胞の分裂率を獲得する段階６１０を行うことができる。

複数の細胞の分裂率を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の細胞の分裂率と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数の細胞の分裂率のうち１つを獲得することができる。

装置１００は、第１品質属性、第１－６影響変数、および複数の第１注入変数をＶｉａｂｉｌｉｔｙ変化量予測モデルに適用し、複数の細胞の死亡率を獲得する段階６２０を行うことができる。細胞の死亡率は、第１時点の細胞が死亡した割合でありうる。例えば、細胞の死亡率が３０％というのは、７０％が生き残ったことを意味し得る。例えば、第２時点の細胞の量は、（第１時点の細胞の量）＊細胞の分裂率＊（１００％－細胞の死亡率）と同じでもよい。第２時点の細胞の量は、第２のＶＣＤ値でありうる。

装置１００は、段階６２０を行うとき、第１－６影響変数を第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、第１－４影響変数、または第１－５影響変数のうち１つに置き換えることができる。装置１００は、第１品質属性、第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、第１－４影響変数、第１－５影響変数、第１－６影響変数、および複数の第１注入変数のうち少なくとも１つをＶｉａｂｉｌｉｔｙ変化量予測モデルに適用し、複数の細胞の死亡率を獲得する段階６２０を行うことができる。

複数の細胞の死亡率を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の細胞の死亡率と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数の細胞の死亡率のうち１つを獲得することができる。

装置１００は、第１品質属性に含まれた第１のＶＣＤ（ｖｉａｂｌｅ ｃｅｌｌ ｄｅｎｓｉｔｙ）値、複数の細胞の分裂率および複数の細胞の死亡率のうち少なくとも１つに基づいて複数の第２品質属性に含まれる複数の第２のＶＣＤ（ｖｉａｂｌｅ ｃｅｌｌ ｄｅｎｓｉｔｙ）値を獲得する段階６３０を行うことができる。第２のＶＣＤ値は、第２時点での予測したＶＣＤ値でありうる。

複数の第２のＶＣＤ値を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数の第２のＶＣＤ値と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数の第２のＶＣＤ値のうち１つを獲得することができる。装置１００は、複数の第２のＶＣＤ値のうちあらかじめ設定された条件に合う第２のＶＣＤ値を選択することができる。また、装置１００は、選択した第２のＶＣＤ値に対応する第１注入変数を最適な第１注入変数として選択することができる。

装置１００は、第１品質属性、第１－６影響変数、および複数の第１注入変数をＶＣＤ値当たりのＩｇＧ生成量予測モデルに適用し、複数のＶＣＤ当たりのＩｇＧ生成量を獲得する段階６４０を行うことができる。

装置１００は、段階６４０を行うとき、第１－６影響変数を第１影響変数、第１－１影響変数、第１－２影響変数、第１－３影響変数、第１－４影響変数、または第１－５影響変数のうち１つに置き換えることができる。

複数のＶＣＤ当たりのＩｇＧ生成量を獲得する理由は、複数の第１注入変数を用いるためである。すなわち、複数の第１注入変数は、複数のＶＣＤ当たりのＩｇＧ生成量と一対一で対応することができる。また、複数の第１注入変数のうち１つを用いて複数のＶＣＤ当たりのＩｇＧ生成量のうち１つを獲得することができる。

装置１００は、複数の第２のＶＣＤに複数のＶＣＤ当たりのＩｇＧ生成量を乗算して複数の第２品質属性に含まれる複数の第２のＩｇＧ（Ｉｍｍｕｎｏｇｌｏｂｕｌｉｎ Ｇ）の量を獲得する段階６５０を行うことができる。装置１００は、複数の第２のＩｇＧのうちあらかじめ設定された条件に合う第２のＩｇＧを選択することができる。また、装置１００は、選択した第２のＩｇＧに対応する第１注入変数を最適な第１注入変数として選択することができる。また、装置１００は、最適な注入変数をバイオリアクター１８１０に送信することができる。また、バイオリアクター１８１０は、受信した最適な注入変数に基づいて第１時点に対する培養条件を決定することができる。このような過程を通じてバイオリアクターは、抗体を最大で生産することができる。

図７は、本発明の一実施形態による予測モデルを説明するためのブロック図である。
培養シミュレーションモデルは、Ｇｌｕｔａｍｉｎｅ変化量予測モデル、Ｇｌｕｔａｍａｔｅ変化量予測モデル、ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデル、Ｌａｃｔａｔｅ変化量予測モデル、Ａｍｍｏｎｉａ変化量予測モデル、浸透圧予測モデル、Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデル、Ｖｉａｂｉｌｉｔｙ変化量予測モデル、およびＶＣＤ当たりのＩｇＧ生成量予測モデルのうち少なくとも１つを含んでもよい。

図７の予測モデル７３０は、Ｇｌｕｔａｍｉｎｅ変化量予測モデル、Ｇｌｕｔａｍａｔｅ変化量予測モデル、ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデル、Ｌａｃｔａｔｅ変化量予測モデル、Ａｍｍｏｎｉａ変化量予測モデル、浸透圧予測モデル、Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデル、Ｖｉａｂｉｌｉｔｙ変化量予測モデル、およびＶＣＤ当たりのＩｇＧ生成量予測モデルのうち１つでありうる。培養シミュレーションモデルに含まれたＧｌｕｔａｍｉｎｅ変化量予測モデル、Ｇｌｕｔａｍａｔｅ変化量予測モデル、ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデル、Ｌａｃｔａｔｅ変化量予測モデル、Ａｍｍｏｎｉａ変化量予測モデル、浸透圧予測モデル、Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデル、Ｖｉａｂｉｌｉｔｙ変化量予測モデル、およびＶＣＤ当たりのＩｇＧ生成量予測モデルについては、同じ説明が可能なので、図７では、予測モデル７３０と総称して説明する。

装置１００は、過去第ｋ時点のデータ７１０と過去第ｋ＋１時点のサブ変数７２０の相関関係を機械学習した予測モデル７３０を獲得することができる。機械学習予測モデル７３０を生成するための機械学習アルゴリズムは、神経網、サポートベクターマシン、または部分最小自乗分析のうち少なくとも１つを含む潜在変数モデリングを含んでもよい。また、機械学習予測モデル７３０は、アンサンブル予測モデルを用いて生成することができ、アンサンブル予測モデルを生成するための機械学習アルゴリズムは、ＮＧＢｏｏｓｔモデルまたはＸＧＢｏｏｓｔモデルを含むディシジョンツリーおよび線形判別分析を用いることができる。培養シミュレーションモデルに含まれたサブ予測モデルは、アンサンブル予測モデルを用いて生成することができる。すなわち、Ｇｌｕｔａｍｉｎｅ変化量予測モデル、Ｇｌｕｔａｍａｔｅ変化量予測モデル、ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデル、Ｌａｃｔａｔｅ変化量予測モデル、Ａｍｍｏｎｉａ変化量予測モデル、浸透圧予測モデル、Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデル、Ｖｉａｂｉｌｉｔｙ変化量予測モデル、およびＶＣＤ当たりのＩｇＧ生成量予測モデルのうち１つは、アンサンブル予測モデルを用いて生成することができる。

また、機械学習アルゴリズムは、縮小次数変化回帰外因性モデル（ｒｅｄｕｃｅｄ ｏｒｄｅｒ ｔｉｍｅ ｖａｒｙｉｎｇ ａｕｔｏｒｅｇｒｅｓｓｉｖｅ ｅｘｏｇｅｎｏｕｓ ｍｏｄｅｌ，ＡＲＸモデル）を用いることができる。過去第ｋ時点のデータ７１０と過去第ｋ＋１時点のサブ変数７２０から予測モデル７３０を獲得する過程は、装置１００のデータ学習部１１０で行われてもよい。

過去第ｋ時点のデータ７１０と過去第ｋ＋１時点のサブ変数７２０は、ラマン分光器を用いてリアルタイムで測定したデータに基づいて獲得することができる。第ｋ＋１時点は、第ｋ時点以降でありうる。過去第ｋ時点のデータ７１０は、過去第ｋ時点の品質属性７１１、過去第ｋ時点の影響変数７１２、および過去第ｋ時点の注入変数７１３のうち少なくとも１つを含んでもよい。過去第ｋ時点の品質属性７１１、過去第ｋ時点の影響変数７１２、および過去第ｋ時点の注入変数７１３は、機械学習のためのデータセットでありうる。品質属性、影響変数、注入変数については、すでに説明したことがあるので、詳しい説明を省略する。

また、過去第ｋ＋１時点のサブ変数は、データセットに対応するラベル情報でありうる。すなわち過去第ｋ＋１時点のサブ変数７２０は、実際（ｇｒｏｕｎｄ ｔｒｕｔｈ）情報でありうる。過去第ｋ＋１時点のサブ変数７２０は、予測モデル７３０の種類によって異なっていてもよい。Ｇｌｕｔａｍｉｎｅ変化量予測モデルである場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点のＧｌｕｔａｍｉｎｅの量でありうる。Ｇｌｕｔａｍａｔｅ変化量予測モデルである場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点のＧｌｕｔａｍａｔｅの量でありうる。ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデルである場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点のＧｌｕｃｏｓｅ消費量でありうる。Ｌａｃｔａｔｅ変化量予測モデルである場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点のＬａｃｔａｔｅの量でありうる。Ａｍｍｏｎｉａ変化量予測モデルの場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点のＡｍｍｏｎｉａの量でありうる。浸透圧予測モデルの場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点の浸透圧でありうる。Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデルである場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点の細胞の分裂率でありうる。Ｖｉａｂｉｌｉｔｙ変化量予測モデルである場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点の細胞の死亡率でありうる。また、ＶＣＤ当たりのＩｇＧ生成量予測モデルである場合、第ｋ＋１時点のサブ変数７２０は、第ｋ＋１時点のＶＣＤ当たりのＩｇＧでありうる。

装置１００は、生成された予測モデル７３０を保存していたり、他の装置に送信することができる。装置１００は、外部の装置から予測モデル７３０を受信することができる。

装置１００は、予測モデル７３０を用いて第２サブ変数を獲得することができる。第１品質属性７４１、第１影響変数７４２、および第１注入変数７４３のうち少なくとも１つを予測モデル７３０に適用し、第２サブ変数７５０を獲得する過程は、装置１００のデータ認識部１２０で行われてもよい。

第１品質属性７４１、第１影響変数７４２、および第１注入変数７４３は、第１時点の値でありうる。第２サブ変数７５０は、第２時点の値でありうる。第１時点は、第２時点以前でありうる。第１時点と第２時点の差は、１０分、１時間、または１日などでありうる。第２サブ変数７５０は、予測モデル７３０によって予測した値でありうる。したがって、第２サブ変数７５０は、実際情報と多少差がありえる。

第２サブ変数７５０は、予測モデル７３０の種類によって異なっていてもよい。Ｇｌｕｔａｍｉｎｅ変化量予測モデルである場合、第２サブ変数７５０は、第２時点の予測したＧｌｕｔａｍｉｎｅの量でありうる。Ｇｌｕｔａｍａｔｅ変化量予測モデルである場合、第２サブ変数７５０は、第２時点の予測したＧｌｕｔａｍａｔｅの量でありうる。ＶＣＤ当たりのＧｌｕｃｏｓｅ消費量予測モデルである場合、第２サブ変数７５０は、第２時点の予測したＧｌｕｃｏｓｅ消費量でありうる。Ｌａｃｔａｔｅ変化量予測モデルである場合、第２サブ変数７５０は、第２時点の予測したＬａｃｔａｔｅの量でありうる。Ａｍｍｏｎｉａ変化量予測モデルの場合、第２サブ変数７５０は、第２時点の予測したＡｍｍｏｎｉａの量でありうる。浸透圧予測モデルの場合、第２サブ変数７５０は、第２時点の予測した浸透圧でありうる。Ｃｅｌｌ ｄｉｖｉｓｉｏｎ ｒａｔｅ予測モデルである場合、第２サブ変数７５０は、第２時点の予測した細胞の分裂率でありうる。Ｖｉａｂｉｌｉｔｙ変化量予測モデルである場合、第２サブ変数７５０は、第２時点の予測した細胞の死亡率でありうる。また、ＶＣＤ当たりのＩｇＧ生成量予測モデルである場合、第２サブ変数７５０は、第２時点の予測したＶＣＤ当たりのＩｇＧでありうる。上記のような予測モデルのうち少なくとも１つが結合して培養シミュレーションモデルを形成することができる。

図８は、本発明の一実施形態による予め定められた条件を説明するための図である。図９は、本発明の一実施形態による予め定められた条件を説明するための図である。図１０は、本発明の一実施形態による予め定められた条件を説明するための図である。図１１は、本発明の一実施形態による予め定められた条件を説明するための図である。

装置１００は、第１期間内の場合、第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように第１注入変数を変化させる段階を行うことができる。また、装置１００は、第２期間内の場合、第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように第１注入変数を変化させる段階を行うことができる。

装置１００は、第１注入変数を変化させるために複数の第１注入変数に対してテストを行うことができる。また、テストを行うというのは、複数の第１注入変数それぞれに対して予測した第２影響変数および予測した第２品質属性を獲得することを意味し得る。装置１００は、複数の第１注入変数のうちあらかじめ定められた条件に合う第１注入変数を選択することができる。あらかじめ定められた条件は、予測した第２品質属性に含まれた第２のＶＣＤ値が最大値を有したり、第２のＩｇＧの量が最大値を有することを意味し得る。選択した第１注入変数は、変化させた第１注入変数でありうる。以下では、装置１００の動作をより詳しく説明する。

図８を参照すると、装置１００は、複数の影響変数または複数の品質属性のうちあらかじめ定められた条件に合う影響変数または品質属性を選択し、選択した影響変数または品質属性に対応する注入変数を選択することによって、最適な注入変数を決定することができる。装置１００は、このように装置１００は、複数の第１注入変数のうち最適な第１注入変数を選択するために目的関数を設定することができる。目的関数は、影響変数または品質属性が満足させなければならない条件でありうる。例えば、目的関数は、影響変数が臨界値を超えないか、または品質属性が最大値を有する場合と定義することができる。例えば、目的関数は、複数の第２のＶＣＤ値のうち最大を選択する関数でありうる。また、目的関数は、複数の第２のＩｇＧの量のうち最大を選択する関数でありうる。また、目的関数は、培養第１期間には複数の第２のＶＣＤ値のうち最大を選択する関数であり、第２期間には複数の第２のＩｇＧの量のうち最大を選択する関数でありうる。第１期間は、第２期間以前でありうる。一例として、第１期間は、４日目以上８日目未満であり、第２期間は、８日目以上でありうる。第１期間以前には、培地に対する特別な制御が行われなくてもよい。すなわち、目的関数は、図８のように示され得る。図８で、ＶＣＤ_{ｐｒｅｄｉｃｔｅｄ}は、複数の第２のＶＣＤ値に対応することができる。また、図８で、ＩｇＧ_{ｐｒｅｄｉｃｔｅｄ}は、複数の第２のＩｇＧの量に対応することができる。

目的関数が図８のような場合、装置１００は、第２影響変数および第２品質属性を選択する段階３４０を行うために、以下のような段階をさらに行うことができる。装置１００は、第１期間内の場合、複数の第２品質属性に含まれた複数の第２のＶＣＤ値のうち最大値を第２品質属性として選択する段階を行うことができる。また、装置１００は、第２期間内の場合、複数の第２品質属性に含まれた複数の第２のＩｇＧの量のうち最大値を第２品質属性として選択する段階を行うことができる。第１期間は、細胞培養液で細胞が培養される中の予め定められた時間の範囲でありうる。第２期間は、第１期間以降でありうる。第２期間は、第１期間と重複していなくてもよい。

また、第１時点は、測定値を有している時点を意味し得る。また、第２時点は、測定値を有していない時点であるが、第１時点の測定値に基づいて予測値を獲得できる時点である。第２時点は、第１時点から予め定められた時間が流れた後でありうる。予め定められた時間は、１０分、１時間または１日でありうる。また、第１時点は、測定値を測定できる時点であるから、時間が経つにつれて変わることができる。例えば、第１時点は、現在でありうる。第２時点は、第１時点から予め定められた時間が流れた後であり、第１時点が変わることにより、第２時点も変わることができる。

第１期間および第２期間は、いずれも、第１時点および第２時点を含んでもよい。すなわち、第１期間で装置１００は、測定値を獲得（第１時点）した後、測定値に基づいて第１時点で予め定められた時間が流れた後の第２時点に対する予測値を獲得することができる。また、第２期間で装置１００は、測定値を獲得（第１時点）した後、測定値に基づいて第１時点で予め定められた時間が流れた後の第２時点に対する予測値を獲得することができる。

装置１００は、第１期間に含まれた第１時点（現在）に測定された測定値に基づいて第２時点（未来時点）の予測値を獲得することができる。測定値は、第１影響変数、第１品質属性でありうる。また、予測値は、複数の第２影響変数、複数の第２品質属性でありうる。装置１００は、第１期間の予測値については、複数の第２のＶＣＤ値のうち最大値を選択することができる。また、装置１００は、第２期間の予測値に対しては、複数の第２のＩｇＧの量のうち最大値を選択することができる。

また、装置１００は、複数の第１注入変数のうち前記選択した第２品質属性に対応する第１注入変数を選択する段階３５０を行うことができる。また、装置１００は、選択した第１注入変数を最適な注入変数として決定して、バイオリアクターに伝送することができる。また、バイオリアクターは、受信した最適な注入変数に基づいて第１時点に対する培養条件を決定することができる。このような過程を通じてバイオリアクターは、抗体を最大で生産することができる。

図９を参照すると、ユーザは、図８の条件を満足させながらも、Ａｍｍｏｎｉａの量を最小化したい場合がある。装置１００は、第１期間内の場合、第２品質属性に含まれた第２のＶＣＤ値にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有するように前記第１注入変数を変化させる段階を行うことができる。また、装置１００は、第２期間内の場合、第２品質属性に含まれた第２のＩｇＧの量にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有するように前記第１注入変数を変化させる段階を行うことができる。装置１００は、第１注入変数を変化させるために、複数の第１注入変数に対してテストを行うことができる。また、テストを行うというのは、複数の第１注入変数それぞれに対して予測した第２影響変数および予測した第２品質属性を獲得することを意味し得る。装置１００は、複数の第１注入変数のうちあらかじめ定められた条件に合う第１注入変数を選択することができる。あらかじめ定められた条件は、予測した第２品質属性に含まれた第２のＶＣＤ値にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有したり、第２のＩｇＧの量にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有することを意味し得る。選択した第１注入変数は、変化させた第１注入変数でありうる。以下では、装置１００の動作をより詳しく説明する。

図９を参照すると、ユーザは、図８の条件を満足させながらも、Ａｍｍｏｎｉａの量を最小化したい場合がある。この場合、目的関数は、図９のように示され得る。図９で、Ａｍｍｏｎｉａ_{ｐｒｅｄｉｃｔｅｄ}は、複数の第２のＡｍｍｏｎｉａの量に対応することができる。装置１００は、ＶＣＤ値またはＩｇＧの量を最大化しつつ、第２のＡｍｍｏｎｉａの量を最小に維持するために、ＶＣＤ_{ｐｒｅｄｉｃｔｅｄ}ｘｅ^{－０．１Ａｍｍｏｎｉａ＿ｐｒｅｄｉｃｔｅｄ}を最大に維持したり、ＩｇＧ_{ｐｒｅｄｉｃｔｅｄ}ｘｅ^{－０．１Ａｍｍｏｎｉａ＿ｐｒｅｄｉｃｔｅｄ}を最大に維持することができる。

複数の第１注入変数は、複数の第２のＶＣＤ値に一対一で対応することができる。また、複数の第１注入変数は、複数の第２のＩｇＧの量に一対一で対応することができる。また、複数の第１注入変数は、複数の第２のＡｍｍｏｎｉａの量に一対一で対応することができる。装置１００は、複数の第２のＶＣＤ値のうち１つの第２のＶＣＤ値および前記１つの第２のＶＣＤ値に対応する第２のＡｍｍｏｎｉａの量を図９の式に代入することができる。また、装置１００は、複数の第２のＩｇＧの量のうち１つの第２のＩｇＧの量および前記１つの第２のＩｇＧの量に対応する第２のＡｍｍｏｎｉａの量を図９の式に代入することができる。

装置１００は、第２影響変数および第２品質属性を選択する段階３４０を行うために以下のような過程をさらに行うことができる。図９を参照すると、装置１００は、第１期間内の場合、複数の第２品質属性に含まれた複数の第２のＶＣＤ値にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値であるときの第２のＶＣＤ値を第２品質属性として選択する段階を行うことができる。例えば、第１期間は、４日以上８日未満でありうる。また、ｋは、正数でありうる。例えば、ｋは、０超過１以下の値を有することができる。例えば、ｋは、０．１でありうる。また、装置１００は、第２期間内の場合、複数の第２品質属性に含まれた複数の第２のＩｇＧの量にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値であるときの第２のＩｇＧの量を第２品質属性として選択する段階を行うことができる。また、ｋは、正数でありうる。例えば、ｋは、０超過１以下の値を有することができる。例えば、ｋは、０．１でありうる。

ｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）は、第２のＡｍｍｏｎｉａの量が大きくなるほど小さくなり、第２のＡｍｍｏｎｉａの量が小さくなるほど大きくなるので、複数の第２のＶＣＤにｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値または複数の第２のＩｇＧの量にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値になるためには、第２のＶＣＤ値または第２のＩｇＧの量が最大、且つ第２のＡｍｍｏｎｉａの量は、最小にならなければならない。

また、装置１００は、複数の第１注入変数のうち前記選択した第２品質属性に対応する第１注入変数を選択する段階３５０を行うことができる。また、装置１００は、選択した第１注入変数を最適な注入変数として決定して、バイオリアクター１８１０に伝送することができる。また、バイオリアクター１８１０は、受信した最適な注入変数に基づいて第１時点に対する培養条件を決定することができる。このような過程を通じてバイオリアクター１８１０は、抗体を最大で生産することができる。

図１０を参照すると、ユーザは、図８または図９の条件を満足させながらも、Ｌａｃｔａｔｅの量を第１臨界量以下に制限したい場合がある。装置１００は、第２影響変数に含まれた第２のＬａｃｔａｔｅの量が第１臨界量以下であるか否かを決定する段階を行うことができる。装置１００は、第２のＬａｃｔａｔｅの量が第１臨界量以下であり、第１期間内の場合、第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように第１注入変数を変化させる段階を行うことができる。また、装置１００は、第２のＬａｃｔａｔｅの量が第１臨界量以下であり、第２期間内の場合、第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように第１注入変数を変化させる段階を行うことができる。装置１００は、第１注入変数を変化させるために複数の第１注入変数に対してテストを行うことができる。また、テストを行うというのは、複数の第１注入変数それぞれに対して予測した第２影響変数および予測した第２品質属性を獲得することを意味し得る。装置１００は、複数の第１注入変数のうちあらかじめ定められた条件に合う第１注入変数を選択することができる。あらかじめ定められた条件は、予測した第２影響変数に含まれた第２のＬａｃｔａｔｅの量が第１臨界量以下であり、且つ予測した第２品質属性に含まれた第２のＶＣＤ値が最大値を有したり、予測した第２影響変数に含まれた第２のＬａｃｔａｔｅの量が第１臨界量以下であり、且つ予測した第２品質属性に含まれた第２のＩｇＧの量が最大値を有することを意味し得る。選択した第１注入変数は、変化させた第１注入変数でありうる。以下では、装置１００の動作をより詳しく説明する。

図１０を参照すると、ユーザは、図８または図９の条件を満足させながらも、Ｌａｃｔａｔｅの量を第１臨界量以下に制限したい場合がある。この場合、目的関数は、図１０のように示され得る。第１臨界量は、１．２ｇ／Ｌでありうる。目的関数をこのように設定する場合、装置１００は、予測した影響変数に含まれるＬａｃｔａｔｅの量が第１臨界量を超過しないレベルで最適な結果を導き出すことができる。より具体的には、予測したＬａｃｔａｔｅの量が第１臨界量を超える場合、装置１００は、予測したＬａｃｔａｔｅの量に対応する、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を０に設定することができる。したがって、予測したＬａｃｔａｔｅの量が第１臨界量を超える場合、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を最大値として選択しないようにすることができる。

図１０では、予測した影響変数に含まれるＬａｃｔａｔｅの量が第１臨界量を超える場合、装置１００は、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を０に設定する構成を開示したが、これに限定されるものではない。予測した影響変数に含まれるＬａｃｔａｔｅの量が第１臨界量を超える場合、装置１００は、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を、予測した第２のＶＣＤ値または第２のＩｇＧの量に０．０１以下の小さい正数を乗算した値として決定することができる。したがって、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を最大値として選択しないようにすることができる。

より具体的には、装置１００は、培養１日目以上３日目以下に対してＬａｃｔａｔｅの量が第１臨界量超の注入変数を除去することができる。または、装置１００は、培養１日目以上３日目以下に対して注入変数の制御をしなくてもよい。また、影響変数または品質属性に対しても測定を行わなくてもよい。すなわち、装置１００は、第１期間から制御を行うことができる。

Ｌａｃｔａｔｅ_{ｐｒｅｄｉｃｔｅｄ} は、複数の第２のＬａｃｔａｔｅの量に対応することができる。装置１００は、第１臨界量を超える第２のＬａｃｔａｔｅの量に対応する第２品質属性、第２影響変数および第１注入変数を除去することができる。また、装置１００は、第１臨界量以下の第２のＬａｃｔａｔｅの量に対応する一部の第２品質属性、一部の第２影響変数および一部の第１注入変数を用いて最適な第１注入変数を決定することができる。

より具体的には、装置１００は、第２影響変数および第２品質属性を選択する段階３４０を行うとき、以下のような過程をさらに行うことができる。装置１００は、複数の第２影響変数のうち複数の第２のＬａｃｔａｔｅの量が第１臨界量以下である一部の第２影響変数を獲得する段階を行うことができる。また、装置１００は、一部の第２影響変数に対応する一部の第２品質属性を獲得する段階を行うことができる。また、装置１００は、第１期間内の場合、一部の第２品質属性に含まれた複数の第２のＶＣＤ値のうち最大値を第２品質属性として選択する段階を行うことができる。また、装置１００は、第２期間内の場合、一部の第２品質属性に含まれた複数の第２のＩｇＧの量のうち最大値を第２品質属性として選択する段階を行うことができる。

装置１００は、複数の第１注入変数のうち前記選択した第２品質属性に対応する第１注入変数を選択する段階３５０を行うことができる。装置１００は、段階３５０で選択した第１注入変数を第１時点の最適な注入変数として決定する段階を行うことができる。また、装置１００は、選択した第１注入変数を最適な注入変数として決定して、バイオリアクター１８１０に伝送することができる。また、バイオリアクター１８１０は、受信した最適な注入変数に基づいて第１時点に対する培養条件を決定することができる。このような過程を通じて、バイオリアクター１８１０は、抗体を最大で生産することができる。

図１１を参照すると、ユーザは、図８～図１０のうち１つの条件を満足させながらも、Ｇｌｕｔａｍａｔｅの量を第２臨界量以上第３臨界量以下に制限したい場合がある。装置１００は、第２影響変数に含まれた第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であるか否かを決定する段階を行うことができる。装置１００は、第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、第１期間内の場合、第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように第１注入変数を変化させる段階を行うことができる。装置１００は、第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、第２期間内の場合、第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように第１注入変数を変化させる段階を行うことができる。装置１００は、第１注入変数を変化させるために、複数の第１注入変数に対してテストを行うことができる。また、テストを行うというのは、複数の第１注入変数それぞれに対して予測した第２影響変数および予測した第２品質属性を獲得することを意味し得る。装置１００は、複数の第１注入変数のうちあらかじめ定められた条件に合う第１注入変数を選択することができる。あらかじめ定められた条件は、予測した第２影響情報に含まれた第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、且つ予測した第２品質属性に含まれた第２のＶＣＤ値が最大値を有したり、予測した第２影響変数に含まれた第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、第２品質属性に含まれた第２のＩｇＧの量が最大値を有することを意味し得る。選択した第１注入変数は、変化させた第１注入変数でありうる。変化させた第１注入変数は、最適な第１注入変数でありうる。以下では、装置１００の動作をより詳しく説明する。

図１１を参照すると、ユーザは、図８～図１０のうち１つの条件を満足させながらも、Ｇｌｕｔａｍａｔｅの量を第２臨界量以上第３臨界量以下に制限したい場合がある。例えば、第２臨界量は、０．４５ｇ／Ｌでありうる。また、第３臨界量は、０．６５ｇ／Ｌでありうる。この場合、目的関数は、図１１のように示され得る。目的関数をこのように設定する場合、装置１００は、Ｇｌｕｔａｍａｔｅの量が第２臨界量未満であるか、第３臨界量を超えないレベルで最適な結果を導き出すことができる。より具体的には、予測したＧｌｕｔａｍａｔｅの量が第２臨界量未満第３臨界量超過である場合、装置１００は、予測したＧｌｕｔａｍａｔｅの量に対応する、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を０に設定することができる。したがって、予測したＧｌｕｔａｍａｔｅの量が第２臨界量未満第３臨界量超過である場合、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を最大値として選択しないようにすることができる。

図１１では、予測した影響変数に含まれるＧｌｕｔａｍａｔｅの量が第２臨界量未満第３臨界量超過である場合、装置１００は、予測した第２のＶＣＤ値または第２のＩｇＧの量を０に設定する構成を開示したが、これに限定されるものではない。予測した影響変数に含まれるＧｌｕｔａｍａｔｅの量が第２臨界量未満第３臨界量超過である場合、装置１００は、予測した当該第２のＶＣＤ値または予測した当該第２のＩｇＧの量を、予測した当該第２のＶＣＤ値または予測した当該第２のＩｇＧの量に０．０１以下の小さい正数を乗算した値として決定することができる。したがって、予測した当該第２のＶＣＤ値または当該第２のＩｇＧの量を最大値として選択しないようにすることができる。

より具体的には、装置１００は、培養１日目以上３日目以下に対してＧｌｕｔａｍａｔｅの量が第２臨界量未満であるか、第３臨界量超過である注入変数を除去することができる。または、装置１００は、培養１日目以上３日目以下に対して注入変数の制御をしなくてもよい。また、影響変数または品質属性に対しても測定を行わなくてもよい。すなわち、装置１００は、第１期間から制御を行うことができる。

Ｇｌｕｔａｍａｔｅ_{ｐｒｅｄｉｃｔｅｄ}は、複数の第２のＧｌｕｔａｍａｔｅの量に対応することができる。装置１００は、第２臨界量未満であるか、第３臨界量超過である第２のＧｌｕｔａｍａｔｅの量に対応する第２品質属性、第２影響変数および第１注入変数を除去することができる。また、装置１００は、第２臨界量以上第３臨界量以下の第２のＧｌｕｔａｍａｔｅの量に対応する一部の第２品質属性、一部の第２影響変数および一部の第１注入変数を用いて最適な第１注入変数を決定することができる。

より具体的には、装置１００は、第２影響変数および第２品質属性を選択する段階３４０を行うとき、以下のような過程をさらに行うことができる。装置１００は、複数の第２影響変数のうち複数の第２のＧｌｕｔａｍａｔｅ濃度が第２臨界量以上第３臨界量以下である一部の第２影響変数を獲得する段階を行うことができる。また、装置１００は、一部の第２影響変数に対応する一部の第２品質属性を獲得する段階を行うことができる。また、装置１００は、第１期間内の場合、一部の第２品質属性に含まれた複数の第２のＶＣＤ値のうち最大値を第２品質属性として選択する段階を行うことができる。また、装置１００は、第２期間内の場合、一部の第２品質属性に含まれた複数の第２のＩｇＧの量のうち最大値を第２品質属性として選択する段階を行うことができる。

装置１００は、複数の第１注入変数のうち前記選択した第２品質属性に対応する第１注入変数を選択する段階３５０を行うことができる。装置１００は、段階３５０で選択した第１注入変数を第１時点の最適な注入変数として決定する段階を行うことができる。また、装置１００は、選択した第１注入変数を最適な注入変数として決定して、バイオリアクター１８１０に伝送することができる。また、バイオリアクター１８１０は、受信した最適な注入変数に基づいて第１時点に対する培養条件を決定することができる。このような過程を通じて、バイオリアクター１８１０は、抗体を最大で生産することができる。

装置１００は、図３の段階３５０で第２時点に対する最適な第１注入変数を選択することができる。また、装置１００は、第２時点の第２影響変数および第２品質属性に基づいて第３影響変数および第３品質属性を予測することができる。装置１００は、図３で予測した第２時点の第２影響変数および第２品質属性を用いて第３影響変数および第３品質属性を予測することができる。第３影響変数および第３品質属性は、第３時点の予測した情報でありうる。第３時点は、第２時点より未来でありうる。第１時点と第２時点の間の間隔は、第２時点と第３時点の間隔と同じでもよい。

しかしながら、図３で予測した第２時点の第２影響変数および第２品質属性を用いて第３影響変数および第３品質属性を予測することに限定されるものではない。装置１００は、第２時点の実際の第２影響変数および実際の第２品質属性を測定し、実際の第２影響変数および実際の第２品質属性に基づいて第３影響変数および第３品質属性を予測することができる。第２時点が現在の時点になった場合には、実際に測定が可能なためである。

より具体的には、装置１００は、選択した第１注入変数から予め定められた範囲内に含まれる複数の第２注入変数を獲得する段階を行うことができる。複数の第２注入変数を獲得する段階は、複数の第１注入変数を獲得する段階３２０に同一対応することができる。

装置１００は、選択した第２品質属性、選択した第２影響変数、および複数の第２注入変数を培養シミュレーションモデルに適用し、複数の第３品質属性および複数の第３影響変数を獲得する段階を行うことができる。複数の第３品質属性および複数の第３影響変数を獲得する段階は、段階３３０に同一対応することができる。選択した第２品質属性および選択した第２影響変数は、図３で予測して選択した第２品質属性または第２影響変数でありうる。また、選択した第２品質属性および選択した第２影響変数は、実際に測定された第２時点の第２品質属性または第２影響変数でありうる。

装置１００は、複数の第３品質属性および複数の第３影響変数のうちあらかじめ定められた条件に合う第３品質属性および第３影響変数を選択する段階を行うことができる。第３品質属性および第３影響変数を選択する段階は、段階３４０に同一対応することができる。

装置１００は、複数の第２注入変数のうち選択した第３品質属性に対応する第２注入変数を選択する段階を行うことができる。第２注入変数を選択する段階は、図３の段階３５０に同一対応することができる。装置１００は、このような過程を繰り返し行って、さらに未来の予測した影響変数および品質属性を獲得することができる。より具体的には、装置１００は、選択した第３品質属性、選択した第３影響変数および第３注入変数に基づいて予測した第４品質属性および予測した第４影響変数を獲得することができる。前述したように、第１時点と第２時点の間の時間および第２時点と第３時点上の時間は、１０分、１時間または１日でありうる。装置１００は、このような単位時間ぐらいずつ予測を行って、さらに未来の品質属性または影響変数を予測することができる。例えば、装置１００は、４日後、または一週間後の品質属性または影響変数を予測することができる。

図１２は、本発明の一実施形態によるシミュレーション条件を示す表である。また、図１３～図１７は、本発明の一実施形態によるシミュレーション結果でありうる。

図１３～図１７の実施形態のサンプル６個は、いずれも、仮想ＣＨＯ細胞培養および抗体を生産する実験を０日目から１３日目まで図１２に示された制御目標を有してシミュレーションテストした結果である。

図１３～図１７の実施形態のＧｌｕｃｏｓｅ ａｆｔｅｒ ｆｅｅｄｉｎｇ（ｇ／Ｌ）は、培養液にＧｌｕｃｏｓｅを投入したとき、投入した直後に測定されたＧｌｕｃｏｓｅ濃度（ｇ／Ｌ）を意味する。すなわち、装置１００は、段階３５０で選択した注入変数に含まれたＧｌｕｃｏｓｅの量に基づいて現在の培地にＧｌｕｃｏｓｅを注入することができ、Ｇｌｕｃｏｓｅ ａｆｔｅｒ ｆｅｅｄｉｎｇ（ｇ／Ｌ）は、選択した注入変数に含まれたＧｌｕｃｏｓｅの量に基づいて現在の培地にＧｌｕｃｏｓｅを注入した後の培地内のＧｌｕｃｏｓｅの量でありうる。

図１３～図１７の実施形態のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ（ＲＰＭ）は、Ｂｉｏｒｅａｃｔｏｒ内の撹拌機（Ａｇｉｔａｔｏｒ）を１分に何回の速度で回転させたかを意味する。

図１３～図１７の実施形態のＶｅｓｓｅｌ ｔｅｍｐ（℃）は、Ｂｉｏｒｅａｃｔｏｒ内温度を意味する。

図１３～図１７の実施形態のＦｅｅｄ Ｘは、ＣＨＯ細胞において窒素源などに該当するある種の栄養培地（Ｆｅｅｄ）をその以前時間単位でＢｉｏｒｅａｃｔｏｒ内培養液にどれくらい投入したかを意味する。

図１３～図１７の実施形態のＬａｃｔａｔｅ ａｄｄｅｄ ｉｎ ｙｅｓｔｅｒｄａｙ（ｇ／Ｌ）は、以前の時間単位で培養液にＬａｃｔａｔｅを培養液１Ｌに何ｇぐらい投入したかを意味する。Ｌａｃｔａｔｅを投入するときは、塩基物質を用いてあらかじめｐＨで中和させた後に投入する。塩基物質でｐＨで中和したＬａｃｔａｔｅを培養液１Ｌ当たり１ｇを投入したときの浸透圧（Ｏｓｍｏｌａｒｉｔｙ）の増加量は、培養シミュレーションシステム上で２２ｍＯｓｍｏｌ／ｋｇに任意に設定した。

図１３～図１７の実施形態のＤｉｓｓｏｌｖｅｄ Ｏｘｙｇｅｎ（％）は、Ｂｉｏｒｅａｃｔｏｒ内培養液の溶存酸素量％を意味する。

図１３は、サンプル１、サンプル２それぞれのシミュレーションテスト結果を表現したグラフである。

図１３の注入変数関連グラフ１３１０は、複数の注入変数のうち経時的に選択した注入変数を示す。グラフ１３１０で、第１時点は、第２時点の直前時点でありうる。例えば、グラフ１３１０で、１日目が第１時点であれば、２日目が第２時点になり得、２日目が第１時点であれば、３日目が第２時点になり得る。

図１３の影響変数関連グラフ１３２０は、複数の影響変数のうち経時的に選択した影響変数を示すことができる。グラフ１３２０は、選択した第１注入変数による予測した第２影響変数に関するものでありうる。例えば、４日目に選択した第１注入変数に含まれた第１のＧｌｕｃｏｓｅの量が１０ｇ／Ｌであれば（参照番号１３１１を参照）、５日目に予測した第２影響変数に含まれた第２のＧｌｕｃｏｓｅの量は、約９ｇ／Ｌより若干小さくてもよい（参照番号１３２１を参照）。

図１３の品質属性関連グラフ１３３０は、複数の品質属性のうち経時的に選択した品質属性を示すことができる。グラフ１３３０は、選択した第１注入変数による予測した第２品質属性に関するものでありうる。例えば、４日目に選択した第１注入変数に含まれた第１のＧｌｕｃｏｓｅの量が１０ｇ／Ｌであれば（参照番号１３１１を参照）、５日目に予測した第２品質属性に含まれた第２のＩｇＧの量は、約１ｇ／Ｌより若干小さくてもよい（参照番号１３３１参照）。

サンプル１は、シミュレーションでなく、実際ＣＨＯ細胞培養実験データをＦｅｅｄ Ｘを除いた他の注入変数を一定に固定した後、さらに、シミュレーションテストした結果である。これは、実際の当該実験の培養データとほぼ同様であり、本実施形態において対照群の役割をする。

サンプル２は、培養４日目以上８日目未満（第１期間）までは、各日目のＶＣＤ値のみを最大化、培養８日目以上から（第２期間）は、各日目のＩｇＧ濃度のみを最大化するように、シミュレーションベースの制御システムが注入変数値の組み合わせを各日目ごとに設定して培養した結果である。すなわち、条件は、図８の条件と同じでもよい。なお、サンプル２は、第１時点（例えば、現在時点）の次の時点である第２時点（未来時点）の目的関数のみを最大化させて、注入変数値の組み合わせを設定した結果でありうる。

シミュレーションベースの制御システムは、目的関数を最大化させるために、注入変数を培養日目ごとに調整して、結果的に、対照群であるサンプル１より高い最終ＩｇＧ濃度を算出した。具体的には、サンプル２では、Ｆｅｅｄ Ｘを対照群であるサンプル１からより全体的に少ない量を投入して、培養液のＯｓｍｏｌａｒｉｔｙとＧｌｕｔａｍｉｎｅ濃度、Ｇｌｕｔａｍａｔｅ濃度を概して対照群より少ない値に維持し、培養７日目からのｐＨとＡｇｉｔａｔｏｒ Ｓｐｅｅｄ（ＲＰＭ）、およびＶｅｓｓｅｌ ｔｅｍｐ（℃）を意図的に対照群より低く設定した。ただし、本発明のシミュレーションベースの制御システムは、培養７日目からのＤｉｓｓｏｌｖｅｄ Ｏｘｙｇｅｎ（％）を２０％まで意図的に低減して、Ｌａｃｔａｔｅ濃度を約３．４ｇ／Ｌまで増幅させる特異な制御傾向を示した。高いＬａｃｔａｔｅ濃度は、Ａｍｍｏｎｉａ濃度の増加を抑制する傾向が存在するので、本発明のシミュレーションベースの制御システムは、Ｄｉｓｓｏｌｖｅｄ Ｏｘｙｇｅｎ（％）を低い値に設定しても、これを通じて発生させたＬａｃｔａｔｅでＣＨＯ細胞に否定的な影響を及ぼすＡｍｍｏｎｉａ生成を抑制することが、培養７日目からの目的関数の観点から、Ｄｉｓｓｏｌｖｅｄ Ｏｘｙｇｅｎ（％）を高い値に設定したときよりもさらに利益であると計算したのである。

しかしながら、本実施形態において使用した予測モデルは、これと似た培養データを学習したことがないので、この制御戦略が、シミュレーションでなく、実際の培養でもサンプル２のような肯定的な結果を産むか否かは不確実である。また、サンプル２では、サンプル１より少ない量のＦｅｅｄ Ｘを投入したが、実際の培養でＦｅｅｄ Ｘ投入量を少なくすることが、正確にどんな結果をもたらすか分からない。それでも、もしこのような経験しない戦略を実際の培養に適用したとき、その結果が図１３のサンプル２より否定的であるとしても、その否定的な結果のデータを培養シミュレーションシステムにさらに学習させる場合、それ以後のシミュレーションベースの制御システムも、この結果を熟知したまま、後続の制御を実施し、結果的に、自分の制御性能と正確度を改善させることができる。

図１４は、図１３と同一に注入変数関連グラフ、影響変数関連グラフおよび品質属性関連グラフを含んでもよい。

図１４は、サンプル１、サンプル２、サンプル３それぞれのシミュレーションテスト結果を表現したグラフである。サンプル１とサンプル２は、前記の説明と同一である。サンプル３は、サンプル２の制御目標と基本的に同じであるが、Ｌａｃｔａｔｅの量を１．２ｇ／Ｌ以下に維持しつつ、Ａｍｍｏｎｉａの量を最小化するように、目的関数を設定した。サンプル３の目的関数は、図１０のように示され得る。サンプル３の目的関数は、予測した次の時間単位のＬａｃｔａｔｅ濃度が１．２ｇ／Ｌ超の場合、目的関数値を０に固定すると明示するが、もしＬａｃｔａｔｅ濃度を１．２ｇ／Ｌ以下に維持することが培養シミュレーションシステム上で不可能な場合、互いに大小を比較しなければならない目的関数値が全て０になってしまい、実質的な最適結果の導き出しが不可能になるので、これを防止するために、Ｌａｃｔａｔｅ濃度が１．２ｇ／Ｌ超となる場合、目的関数を０に固定する代わりに、目的関数として予測ＶＣＤ値あるいは予測ＩｇＧ量などに約０．０１以下の小さい正数を乗算した値を用いるなどの代案などを考慮することができる。サンプル３の結果を見れば、本発明の装置１００がＬａｃｔａｔｅを培養液に意図的に投入することによって、Ｄｉｓｓｏｌｖｅｄ Ｏｘｙｇｅｎ（％）をサンプル２より高く設定し、たとえ培養最終日目のＩｇＧの量は、サンプル２より低くても、Ｌａｃｔａｔｅの濃度を培養全体期間中に１．２ｇ／Ｌ以下の範囲内を維持すると同時に、Ａｍｍｏｎｉａ濃度も、培養５～１１日目でサンプル２より低く維持した。

図１５は、図１３と同一に注入変数関連グラフ、影響変数関連グラフおよび品質属性関連グラフを含んでもよい。

図１５は、サンプル１、サンプル３、サンプル４それぞれのシミュレーションテスト結果を表現したグラフである。サンプル１とサンプル３は、前記の説明と同一である。サンプル４は、サンプル３の制御目標と基本的に同じであるが、培養４日目以上でＧｌｕｔａｍａｔｅ濃度を０．４５ｇ／Ｌ以上０．６５ｇ／Ｌ以下の範囲を維持しつつ制御するように目的関数を設定した。図１５の目的関数は、図１１のように示され得る。

本発明の装置１００は、この目標をＦｅｅｄ Ｘ投入量などを調整することによって、シミュレーション内で達成した。また、培養最終日目でのＩｇＧ濃度がサンプル４がサンプル３より高く算出された。これは、本発明の制御システムの目的関数に更なる制約を入れても、かえって長期的な観点から、さらに最適の結果を産むことができることを示すことができる。

図１６は、図１３と同一に注入変数関連グラフ、影響変数関連グラフおよび品質属性関連グラフを含んでもよい。

図１６は、サンプル１、サンプル５それぞれのシミュレーションテスト結果を表現したグラフである。サンプル１は、前記の説明と同一である。サンプル５は、サンプル２の制御目標と基本的に同じであるが、培養中に注入変数のうちＦｅｅｄ Ｘ投入量とＬａｃｔａｔｅ ａｄｄｅｄ ｉｎ ｙｅｓｔｅｒｄａｙ（ｇ／Ｌ）を除いた他の注入変数をサンプル１と同様に一定に維持したまま制御した結果である。当該サンプル５は、サンプル１より培養最終日目にＩｇＧ濃度がさらに高い肯定的な結果を示した。サンプル５は、培養中盤にＬａｃｔａｔｅ濃度を１．５ｇ／Ｌ内外に高く維持して、Ａｍｍｏｎｉａ濃度の増加を抑制し、Ｆｅｅｄ Ｘも、全体的に少ない量を投入し、ＯｓｍｏｌａｒｉｔｙとＧｌｕｔａｍｉｎｅ濃度、Ｇｌｕｔａｍａｔｅ濃度を対照群であるサンプル１より少ない値に維持した。このようにユーザまたは装置１００は、第１注入変数に含まれた第１栄養培地（ｆｅｅｄ）の量、第１栄養培地内Ｇｌｕｃｏｓｅの量、第１酸素分子の量、第１二酸化炭素分子の量、第１窒素分子の量、第１空気の量、第１のｐＨ値、第１のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ、第１のＶｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、第１のＭｅｄｉａ注入日程および第１のＡｎｔｉｆｏａｍの量のうち少なくとも１つを選択的に変形することによって、最適な品質属性を獲得することができる。

図１７は、図１３と同一に注入変数関連グラフ、影響変数関連グラフおよび品質属性関連グラフを含んでもよい。

図１７は、サンプル１、サンプル５、サンプル６それぞれのシミュレーションテスト結果を表現したグラフである。サンプル１、サンプル５は、前記の説明と同一である。サンプル６は、サンプル５の制御目標と基本的に同じであるが、Ｌａｃｔａｔｅ濃度を１．２ｇ／Ｌ以下に維持し、Ａｍｍｏｎｉａ濃度を最小化し、Ｇｌｕｔａｍａｔｅ濃度を培養４日目以上で０．４５ｇ／Ｌ以上０．６５ｇ／Ｌ以下の範囲を維持しつつ制御するように目的関数を設定した。Ｌａｃｔａｔｅ濃度とＧｌｕｔａｍａｔｅ濃度は、制御目標を達成したが、Ａｍｍｏｎｉａ濃度は、サンプル１よりは低いが、サンプル５より高く、培養最終日目のＩｇＧ濃度も、サンプル１より高いが、サンプル５より低い。それでも、図１７は、本発明のシミュレーションベースの制御システムが注入変数調整だけで影響変数および品質変数を使用者任意で最大化または最小化、あるいは所望の範囲内に維持することが理論的に可能であることに意義がある。

本発明の装置１００は、第１時点の注入変数、影響変数および品質属性に基づいて、第２時点の影響変数および品質属性のうち少なくとも１つを予測する。ここで、第１時点は、第２時点直前の時間でありうる。したがって、装置１００は、短期的な成果を追求した場合、むしろ長期的観点から悪影響を及ぼすことがある。したがって、装置１００は、長期的な最適品質属性を導出できる注入変数または影響変数の「最適範囲」を様々な実験あるいはシミュレーションを通じて研究することによって決定することができる。注入変数または影響変数の最適範囲が決定されると、目的関数をリセットして、シミュレーションベースの制御システムを用いて最適範囲を調整しつつ制御することは十分可能である。また、装置１００は、Ｄｅｅｐ Ｑ Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋなどの人工知能強化学習モデルを学習させて、各未来時点ごとの影響変数の値の範囲をどのように設定するかを能動的に決定することができる。これを通じて、装置１００は、長期的な観点から最適な品質属性を獲得するための、注入変数を決定することができる。

以上、様々な実施形態を中心に説明した。本発明の属する技術分野における通常の知識を有する者は、本発明が本発明の本質的な特性を逸脱しない範囲で変形された形態で具現され得ることを理解できる。したがって、開示された実施形態は、限定的な観点でなく、説明的な観点で考慮すべきである。本発明の範囲は、前述した説明でなく、特許請求範囲に示されており、それと同等な範囲内にあるすべての相違点は、本発明に含まれたものと解すべきである。

なお、上述のような本発明の実施形態は、コンピュータで実行できるプログラムで作成可能であり、コンピュータで読むことができる記録媒体を用いて前記プログラムを動作させる汎用デジタルコンピュータで具現されてもよい。前記コンピュータで読むことができる記録媒体は、マグネチック保存媒体（例えば、ロム、フロッピー（登録商標）ディスク、ハードディスクなど）、光学的読み取り媒体（例えば、ＣＤ－ＲＯＭ、ＤＶＤなど）のような保存媒体を含む。

Claims (7)

1. 細胞培養条件を決定するための装置の動作方法であって、
   細胞培養液から第１時点の第１品質属性および第１影響変数を獲得する段階と、
   第１注入変数を獲得する段階と、
   前記第１品質属性、前記第１影響変数および前記第１注入変数のうち少なくとも１つを培養シミュレーションモデルに適用し、第２時点の第２品質属性および第２影響変数を獲得する段階と、
   前記第２品質属性があらかじめ定められた条件に合うように、前記培養シミュレーションモデルに次回適用する前記第１注入変数の組みあわせ及び量を選択的に変化させる段階と、を含み、
   前記第２時点は、前記第１時点の未来であり、
   前記第１品質属性は、第１のＶＣＤ(viable cell density)値および第１のＩｇＧ(Immunoglobulin G)量を含み、
   前記第２品質属性は、第２のＶＣＤ(viable cell density)値および第２のＩｇＧ(Immunoglobulin G)量を含み、
   前記第１影響変数は、第１グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第１グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第１グルコース（Ｇｌｕｃｏｓｅ）の量、第１ラクテート（Ｌａｃｔａｔｅ）の量、第１アンモニア（Ａｍｍｏｎｉａ）の量および第１浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含み、
   前記第２影響変数は、第２グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第２グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第２グルコース（Ｇｌｕｃｏｓｅ）の量、第２ラクテート（Ｌａｃｔａｔｅ）の量、第２アンモニア（Ａｍｍｏｎｉａ）の量および第２浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含み、
   前記第１注入変数は、第１栄養培地（ｆｅｅｄ）の量、第１栄養培地内グルコース（Ｇｌｕｃｏｓｅ）の量、第１酸素分子の量、第１二酸化炭素分子の量、第１窒素分子の量、第１空気（ａｉｒ）の量、第１のｐＨ値、第１のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ、第１のＶｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、第１のＭｅｄｉａ注入日程および第１のＡｎｔｉｆｏａｍの量のうち少なくとも１つを含み、
   前記第１注入変数の組みあわせ及び量を選択的に変化させることは、
   第１期間内の場合と第２期間内の場合とで前記第１注入変数の組みあわせ及び量を選択的に変化させ、
   前記第２期間は、前記第１期間以降であり、
   前記第１注入変数の組み合わせ及び量を選択的に変化させることは、
   前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように前記第１注入変数の組み合わせ及び量を変化させ、
   前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように前記第１注入変数の組み合わせ及び量を変化させる、
   細胞培養条件決定装置の動作方法。
2. 前記細胞培養液から第１時点の第１品質属性および第１影響変数を獲得する段階は、同一時点に測定された複数の第１影響変数を獲得する段階を含み、
   前記第２時点の第２品質属性および第２影響変数を獲得する段階は、前記測定された複数の第１影響変数に基づいて予測した第２影響変数を獲得する段階を含む、請求項１に記載の細胞培養条件決定装置の動作方法。
3. 前記第１注入変数の組み合わせ及び量を選択的に変化させることは、
   前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有するように前記第１注入変数の組み合わせ及び量を変化させ、
   前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量にｅ＾（－ｋ＊第２のＡｍｍｏｎｉａの量）を乗算した値が最大値を有するように前記第１注入変数の組み合わせ及び量を変化させ、
   前記ｋは、正数である、請求項１に記載の細胞培養条件決定装置の動作方法。
4. 前記第１注入変数の組み合わせ及び量を選択的に変化させることは、
   前記第２影響変数に含まれた第２のＬａｃｔａｔｅの量が第１臨界量以下であるか否かを決定し、
   前記第２のＬａｃｔａｔｅの量が第１臨界量以下であり、前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように第１注入変数の組み合わせ及び量を変化させ、
   前記第２のＬａｃｔａｔｅの量が第１臨界量以下であり、前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように第１注入変数を変化させる、
   請求項１に記載の細胞培養条件決定装置の動作方法。
5. 前記第１注入変数の組み合わせ及び量を選択的に変化させることは、
   前記第２影響変数に含まれた第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であるか否かを決定し、
   前記第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように第１注入変数の組み合わせ及び量を変化させ、
   前記第２のＧｌｕｔａｍａｔｅの量が第２臨界量以上第３臨界量以下であり、前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように第１注入変数の組み合わせ及び量を変化させる、
   請求項１に記載の細胞培養条件決定装置の動作方法。
6. 前記変化させた第１注入変数の組み合わせ及び量をバイオリアクターに送信する段階を含む、請求項１に記載の細胞培養条件決定装置の動作方法。
7. プロセッサおよびメモリを含む細胞培養条件を決定するための装置であって、
   前記プロセッサは、前記メモリに保存されている命令語に基づいて、
   細胞培養液から第１時点の第１品質属性および第１影響変数を獲得し、第１注入変数を獲得し、前記第１品質属性、前記第１影響変数および前記第１注入変数のうち少なくとも１つを培養シミュレーションモデルに適用し、第２時点の第２品質属性および第２影響変数を獲得し、前記第２品質属性があらかじめ定められた条件に合うように、前記培養シミュレーションモデルに次回適用する前記第１注入変数の組み合わせ及び量を選択的に変化させ、
   前記第２時点は、前記第１時点の未来であり、
   前記第１品質属性は、第１のＶＣＤ(viable cell density)値および第１のＩｇＧ(Immunoglobulin G)量を含み、
   前記第２品質属性は、第２のＶＣＤ(viable cell density)値および第２のＩｇＧ(Immunoglobulin G)量を含み、
   前記第１影響変数は、第１グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第１グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第１グルコース（Ｇｌｕｃｏｓｅ）の量、第１ラクテート（Ｌａｃｔａｔｅ）の量、第１アンモニア（Ａｍｍｏｎｉａ）の量および第１浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含み、
   前記第２影響変数は、第２グルタミン（Ｇｌｕｔａｍｉｎｅ）の量、第２グルタメート（Ｇｌｕｔａｍａｔｅ）の量、第２グルコース（Ｇｌｕｃｏｓｅ）の量、第２ラクテート（Ｌａｃｔａｔｅ）の量、第２アンモニア（Ａｍｍｏｎｉａ）の量および第２浸透圧（Ｏｓｍｏｌａｒｉｔｙ）のうち少なくとも１つを含み、
   前記第１注入変数は、第１栄養培地（ｆｅｅｄ）の量、第１栄養培地内グルコース（Ｇｌｕｃｏｓｅ）の量、第１酸素分子の量、第１二酸化炭素分子の量、第１窒素分子の量、第１空気（ａｉｒ）の量、第１のｐＨ値、第１のＡｇｉｔａｔｏｒ Ｓｐｅｅｄ、第１のＶｅｓｓｅｌ ｔｅｍｐｅｒａｔｕｒｅ、第１のＭｅｄｉａ注入日程および第１のＡｎｔｉｆｏａｍの量のうち少なくとも１つを含み、
   前記第１注入変数の組みあわせ及び量を選択的に変化させることは、
   第１期間内の場合と第２期間内の場合とで前記第１注入変数の組みあわせ及び量を選択的に変化させ、
   前記第２期間は、前記第１期間以降であり、
   前記第１注入変数の組み合わせ及び量を選択的に変化させることは、
   前記第１期間内の場合、前記第２品質属性に含まれた第２のＶＣＤ値が最大値を有するように前記第１注入変数の組み合わせ及び量を変化させ、
   前記第２期間内の場合、前記第２品質属性に含まれた第２のＩｇＧの量が最大値を有するように前記第１注入変数の組み合わせ及び量を変化させる、
   細胞培養条件決定装置。