スパイキング(spiking)：バイオ医薬品におけるモデルキャリブレーションを加速するためのツール
ラマン分光法の利点とその応用
バイオ医薬品分野において、ラマン分光法はプロセス分析技術（PAT）として広く利用されています。その理由は、迅速・非破壊・ラベル不要であるためです。特に、上流工程における品質管理のツールとして確立されており、ソフトケモメトリックモデリングによってスペクトルデータをリアルタイムで解析し、グルコースや乳酸といった主要成分の濃度を予測することができます。
これらの情報は、パーフュージョンレート（培養液の流量）や給餌スケジュールの最適化に役立ち、より高く安定した収量の実現につながります。
モデルの基盤は「質の高い学習データ」
ソフトケモメトリックモデルの性能は、その学習データの質に大きく左右されます。理想的には、モデルの学習には、広範囲の濃度変動を含む多数のスペクトルデータと、それに対応する実測濃度データが必要です。また、モデルをより頑健にするためには、温度や湿度といった環境要因、バイオリアクター材料、さらには作業者の違いなど、実際のプロセスで起こりうる多様な変動要因も学習データに含めるべきです。
バイオプロセスにおけるモデリングの課題
学習データは、通常、対象となるバイオリアクターの運転データから収集されます。この方法は、実運用に近いデータを得られるため、モデルの精度を高める利点がありますが、時間とコストが非常にかかるという欠点もあります。バイオリアクターの運転期間が長く、かつ大量の成分分析が必要なためです。さらに、一つの成分の濃度変動が他の成分と相関していることも多く、モデルが特定成分のスペクトルへの影響をうまく分離できないリスクもあります。
「スパイキング」による代替的アプローチ
こうした課題を解決する手法の一つがスパイキング（spiking）です。スパイキングとは、既存のサンプルに既知量の特定成分を加える手法です。例えば、バイオリアクターから採取したサンプルに異なる濃度で成分を添加し、それをラマン分光計で再測定することで、他の条件を変えずに、特定成分の濃度のみを変化させたデータを得ることができます。これにより、追加の成分分析なしで学習データを増やすことが可能となります。
人工混合液を用いた学習データの取得
場合によっては、バイオリアクター由来のプロセスサンプルを使わず、人工的に作った混合液を用いて学習データを収集することも可能です。グルコース、乳酸、アンモニア、細胞数、フィード剤など、バイオリアクター内の成分を任意の比率で混合し、ラマン分光計で測定します。もちろん、最終的には実プロセスデータによるモデルの検証が必要ですが、この方法なら、濃度変動を完全にコントロールでき、成分分析の手間とコストを削減することができます。
より効率的なバイオ医薬品研究に向けて
このような、リソースを抑えたモデル構築手法が効果的に活用できれば、バイオ医薬品研究における柔軟性とスピードが向上し、プロセス解析の効率化に貢献します。そして、最終的にはバイオ医薬品のアクセシビリティと価格の改善にもつながる可能性があります。
Timegated®ラマン技術は、バイオ医薬品製造におけるケモメトリックモデリングの進化を後押しする可能性を秘めています。ぜひ、Timegated®テクノロジーの詳細をご覧いただき、製造プロセスの革新にお役立てください。
こちらもご参考にしてください。"Timegated®ラマン分光解析とケモメトリック・モデリング"
▶︎ Timegated®テクノロジーの詳細はこちらをご覧ください。
詳細については、ウェブサイトもご参照ください。
