特許ウォッチ

公開番号2025011051
公報種別公開特許公報(A)
公開日2025-01-23
出願番号2024109313
出願日2024-07-08
発明の名称プロセスパラメータの計算方法
出願人三顧股ふん有限公司
代理人個人,個人
主分類G06N 5/04 20230101AFI20250116BHJP(計算;計数)
要約【課題】所期のプロセス効果を達成するために、プロセスパラメータの計算方法を提供する。
【解決手段】プロセスパラメータの計算方法は、以下のステップを含む。即ち、機械学習方法によってデータセットを機械学習することで得られる訓練済み予測モデルを提供する。データセットは複数のサンプルを含み、また、各サンプルは複数のサンプルパラメータを含む。訓練済み予測モデルは、複数の入力パラメータを入力して、入力パラメータに対応する予測結果を生成するために用いられ、また、目標結果として、訓練済み予測モデルの予測結果を設定し、かつ、入力パラメータのうちの少なくとも1つの確認済み入力パラメータを提供する。そして、逆推論アルゴリズムによって、目標結果、少なくとも1つの確認済み入力パラメータ及びデータセット内のサンプルのサンプルパラメータを照合して、入力パラメータのうちの少なくとも1つの未確認入力パラメータを特定する。
【選択図】図1
特許請求の範囲【請求項１】
訓練済み予測モデルを提供し、前記訓練済み予測モデルは、機械学習方法によってデータセットを機械学習することで得られ、前記データセットは複数のサンプルを含み、且つ、各前記サンプルは複数のサンプルパラメータを含み、前記訓練済み予測モデルは、複数の入力パラメータを入力して、前記入力パラメータに対応する予測結果を生成するために用いられるステップと、
目標結果として、前記訓練済み予測モデルの前記予測結果を設定するとともに、前記入力パラメータのうちの少なくとも１つの確認済み入力パラメータを提供するステップと、
逆推論アルゴリズムによって、前記目標結果、前記少なくとも１つの確認済み入力パラメータ及び前記データセット内の前記サンプルの前記サンプルパラメータを照合して、前記入力パラメータのうちの少なくとも１つの未確認入力パラメータを特定するステップ、を含むプロセスパラメータの計算方法。
続きを表示（約 3,000 文字）【請求項２】
前記データセットは、更に、プロセスデータセットを含み、前記プロセスデータセットは複数のプロセスサンプルを含み、各前記プロセスサンプルは複数のプロセスサンプルパラメータを含み、各前記プロセスサンプルパラメータは入手源パラメータ及び培養パラメータを含む請求項１に記載のプロセスパラメータの計算方法。
【請求項３】
各前記プロセスサンプルの前記入手源パラメータは、更に、各前記プロセスサンプルの入手源の属性データを含む請求項２に記載のプロセスパラメータの計算方法。
【請求項４】
各前記プロセスサンプルの前記培養パラメータは、更に、各前記プロセスサンプルにおけるヒト、機器、材料、方法、環境のパラメータを含む請求項２に記載のプロセスパラメータの計算方法。
【請求項５】
各前記サンプルパラメータは少なくとも１つの対応サンプルパラメータ及び少なくとも１つの未確認参照パラメータを含み、前記逆推論アルゴリズムによって、前記目標結果、前記少なくとも１つの確認済み入力パラメータ及び前記データセット内の前記サンプルの前記サンプルパラメータを照合して、前記入力パラメータのうちの前記少なくとも１つの未確認入力パラメータを特定するステップは、更に、
前記少なくとも１つの確認済み入力パラメータの第１ベクトルを計算するステップと、
前記少なくとも１つの確認済み入力パラメータに基づき、前記サンプルの前記サンプルパラメータから、対応する前記少なくとも１つの対応サンプルパラメータをそれぞれ取得するステップと、
前記少なくとも１つの対応サンプルパラメータの第２ベクトルを計算するステップと、
前記第１ベクトルと各前記サンプルの前記第２ベクトルを照合して、少なくとも１つの候補サンプルを選択するステップと、
前記少なくとも１つの候補サンプルの前記少なくとも１つの未確認参照パラメータと前記確認済み入力パラメータを組み合わせて前記訓練済み予測モデルに入力することで、前記サンプルから参照サンプルを取得し、前記参照サンプルの前記第２ベクトルは前記第１ベクトルと近似又は一致しており、且つ、前記参照サンプルの前記予測結果は前記目標結果と近似又は一致するステップと、
前記参照サンプルの前記サンプルパラメータにおける前記少なくとも１つの未確認参照パラメータを前記少なくとも１つの未確認入力パラメータとするステップ、を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項６】
前記第１ベクトルと各前記サンプルの前記第２ベクトルを照合して前記少なくとも１つの候補サンプルを選択するステップは、更に、
前記第１ベクトルと各前記サンプルの前記第２ベクトルとの間の夾角を計算し、前記第１ベクトルとの間に最も小さな前記夾角を有する前記第２ベクトルに対応する前記サンプルを前記候補サンプルとするステップ、を含む請求項５に記載のプロセスパラメータの計算方法。
【請求項７】
前記第１ベクトルと各前記サンプルの前記第２ベクトルを照合して前記少なくとも１つの候補サンプルを選択するステップは、更に、
距離関数により、前記第１ベクトルの先端点の座標と各前記サンプルの前記第２ベクトルの先端点の座標との距離を計算し、前記第１ベクトルとの間に最も小さな前記距離を有する前記第２ベクトルに対応する前記サンプルを前記候補サンプルとするステップ、を含む請求項５に記載のプロセスパラメータの計算方法。
【請求項８】
前記訓練済み予測モデルは、人工ニューラルネットワーク（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＡＮＮ）、畳み込みニューラルネットワーク（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＣＮＮｓ）、回帰型ニューラルネットワーク（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＲＮＮｓ）、決定木（ＤｅｃｉｓｉｏｎＴｒｅｅｓ）、サポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，ＳＶＭ）、ランダムフォレスト（ＲａｎｄｏｍＦｏｒｅｓｔｓ）、ｋ近傍法（Ｋ－ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒｓ，ＫＮＮ）、ｋ平均法（Ｋ－ＭｅａｎｓＣｌｕｓｔｅｒｉｎｇ）、主成分分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）、線形回帰（ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ）、ロジスティック回帰（ＬｏｇｉｓｔｉｃＲｅｇｒｅｓｓｉｏｎ）、勾配ブースティングマシン（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇＭａｃｈｉｎｅｓ）、深層信念ネットワーク（ＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋｓ，ＤＢＮ）、再帰型ニューラルネットワーク（ＲｅｃｕｒｓｉｖｅＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＲｅｃＮＮ）、強化学習（ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ）、オートエンコーダ（Ａｕｔｏｅｎｃｏｄｅｒｓ）、ガウス過程（ＧａｕｓｓｉａｎＰｒｏｃｅｓｓｅｓ）及び複素ニューラルネットワーク（ＣｏｍｐｌｅｘＮｅｕｒａｌＮｅｔｗｏｒｋｓ）のうちのいずれかによって、前記データセットを機械学習することで得られる請求項１に記載のプロセスパラメータの計算方法。
【請求項９】
前記逆推論アルゴリズムによって、前記目標結果、前記少なくとも１つの確認済み入力パラメータ及び前記データセット内の前記サンプルの前記サンプルパラメータを照合して、前記入力パラメータのうちの前記少なくとも１つの未確認入力パラメータを特定するステップは、更に、
前記逆推論アルゴリズムによって、前記目標結果、前記少なくとも１つの確認済み入力パラメータ及び前記データセット内の前記サンプルの前記サンプルパラメータを照合して、前記サンプルのうちの第１参照サンプルの前記サンプルパラメータを参照入力パラメータとして確認し、前記参照入力パラメータは少なくとも１つの未確認参照パラメータを含むステップと、
前記少なくとも１つの確認済み入力パラメータ及び前記少なくとも１つの未確認参照パラメータを前記訓練済み予測モデルに入力して参照予測結果を生成するステップと、
前記参照予測結果と前記目標結果を照合するステップと、
前記参照予測結果が前記目標結果と一致する場合には、前記少なくとも１つの未確認参照パラメータを前記少なくとも１つの未確認入力パラメータと特定するステップ、を含む請求項１に記載のプロセスパラメータの計算方法。
【請求項１０】
更に、
前記参照予測結果が前記目標結果と一致しない場合には、前記第１参照サンプルを排除して、再び前記逆推論アルゴリズムにより、前記目標結果、前記少なくとも１つの確認済み入力パラメータ及び前記データセット内の前記サンプルの前記サンプルパラメータを照合して、前記サンプルのうちの第２参照サンプルの前記サンプルパラメータを前記参照入力パラメータとして取得するステップ、を含む請求項９に記載のプロセスパラメータの計算方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、プロセスパラメータの計算方法に関し、特に、細胞培養プロセスに応用して、所望のプロセス効果に基づき対応するプロセスのステップを取得可能なプロセスパラメータの計算方法に関する。
続きを表示（約 2,700 文字）【背景技術】
【０００２】
医用工学技術の進歩に伴って、現在、疾病の臨床治療における再生医療の応用はますます多様化している。再生医療とは、主として、損傷した組織や器官を細胞の再生能力を利用して修復する医療技術であり、応用範囲が非常に広い。また、組織工学や分子生物学等の医療技術を組み合わせることで、例えば、糖尿病、神経疾患、心血管疾患及び癌等のかつては治療困難とされていた疾病の改善及び治療が可能になることが期待されている。現在、再生医療は、主に、器官の修復、免疫細胞治療及び幹細胞療法に応用されている。また、再生医療における細胞治療の研究及び応用は各界からますます注目を浴びている。細胞治療とは、人体の細胞を体外で培養又は加工する手順を経たあと、それらの細胞を個々の体内に移植して使用するものである。
【０００３】
近年、多くの国の政府が細胞治療の応用を徐々に解禁していることから、国内外の多くの学者が相次いで細胞治療の研究に参入している。その結果、例えば、自家線維芽細胞による皮膚欠損の治療、自家軟骨細胞による膝関節軟骨欠損の治療、自家骨髄間葉系幹細胞による脊髄損傷の治療など、多くの疾病の治療において、細胞治療は著しい研究の進歩を遂げている。従来の研究によれば、個人の体内の細胞はいずれも独自の特徴を有しているため、疾病や症状の違いに応じて、事案ごとに適用される細胞製剤の種類も異なる。よって、個々の状況に応じて治療に適した細胞をカスタマイズする必要があることから、プロセス内での細胞の複雑度及び困難度が増してしまう。また、細胞治療の製品の品質は、治療の安全性及び有効性に直接的な影響を及ぼす。そのため、細胞培養プロセスでは、細胞の成長状態を厳格にコントロールするとともに、細胞成長の培養パラメータ及び環境パラメータを即時にモニタリングして、培養過程における細胞の汚染又は品質の悪化を回避する必要がある。しかしながら、異なる事案間で細胞の多様性（ｖａｒｉａｂｉｌｉｔｙ）は極めて高くなるため、異なる事案に適用される細胞製剤の最適な培養パラメータ及び環境パラメータは完全に同じとはならない。また、細胞製剤ごとに、プロセス内で各プロセスパラメータを調整して所期の結果を達成する必要があるため、固定のプロセスパラメータで各細胞製剤の生産を行うことはできない。従来技術では、機械学習によって大量のサンプルのデータセットについて訓練を行い、予測モデルを取得する。この予測モデルは、各種プロセスパラメータを入力して細胞培養の予測結果を生成することが可能なため、ユーザは、設計する細胞培養プロセスの効果を事前にシミュレーションできる。しかしながら、機械学習で訓練される上記の予測モデルでは、ユーザの所期の結果から細胞培養プロセスのプロセスパラメータを逆推定することはできない。換言すると、細胞培養プロセスを設計する際に、ユーザは、異なるプロセスパラメータを大量に試す必要があるため、細胞培養プロセスの設計及び改良に大量の労力と資源が費やされる。
【０００４】
そこで、所期の結果に合致する細胞プロセスのプロセスパラメータを逆推定可能とすることで細胞プロセスを更に最適化する方法を開発する必要がある。
【発明の概要】
【発明が解決しようとする課題】
【０００５】
上記に鑑みて、本発明は、以上で述べた従来の課題を解決するために、プロセスパラメータの計算方法を提供する。
【課題を解決するための手段】
【０００６】
本発明は、訓練済み予測モデルを提供し、訓練済み予測モデルは、機械学習方法によってデータセットを機械学習することで得られ、データセットは複数のサンプルを含み、且つ、各サンプルは複数のサンプルパラメータを含み、訓練済み予測モデルは、複数の入力パラメータを入力して、入力パラメータに対応する予測結果を生成するために用いられるステップと、目標結果として、訓練済み予測モデルの予測結果を設定するとともに、入力パラメータのうちの少なくとも１つの確認済み入力パラメータを提供するステップと、逆推論アルゴリズムによって、目標結果、少なくとも１つの確認済み入力パラメータ及びデータセット内のサンプルのサンプルパラメータを照合して、入力パラメータのうちの少なくとも１つの未確認入力パラメータを特定するステップ、を含むプロセスパラメータの計算方法を提供する。
【０００７】
データセットは、更に、プロセスデータセットを含む。プロセスデータセットは複数のプロセスサンプルを含む。各プロセスサンプルは複数のプロセスサンプルパラメータを含み、各プロセスサンプルパラメータは入手源パラメータ及び培養パラメータを含む。
【０００８】
各プロセスサンプルの入手源パラメータは、更に、各プロセスサンプルの入手源の属性データを含む。
【０００９】
各プロセスサンプルの培養パラメータは、更に、各プロセスサンプルにおけるヒト、機器、材料、方法、環境のパラメータを含む。
【００１０】
各サンプルパラメータは少なくとも１つの対応サンプルパラメータ及び少なくとも１つの未確認参照パラメータを含む。また、逆推論アルゴリズムによって、目標結果、少なくとも１つの確認済み入力パラメータ及びデータセット内のサンプルのサンプルパラメータを照合して、入力パラメータのうちの少なくとも１つの未確認入力パラメータを特定するステップは、更に、少なくとも１つの確認済み入力パラメータの第１ベクトルを計算するステップと、少なくとも１つの確認済み入力パラメータに基づき、サンプルのサンプルパラメータから、対応する少なくとも１つの対応サンプルパラメータをそれぞれ取得するステップと、少なくとも１つの対応サンプルパラメータの第２ベクトルを計算するステップと、第１ベクトルと各サンプルの第２ベクトルを照合して、少なくとも１つの候補サンプルを選択するステップと、少なくとも１つの候補サンプルの少なくとも１つの未確認参照パラメータと確認済み入力パラメータを組み合わせて訓練済み予測モデルに入力することで、サンプルから参照サンプルを取得し、参照サンプルの第２ベクトルは第１ベクトルと近似又は一致しており、且つ、参照サンプルの予測結果は目標結果と近似又は一致するステップと、参照サンプルのサンプルパラメータにおける少なくとも１つの未確認参照パラメータを少なくとも１つの未確認入力パラメータとするステップ、を含む。
（【００１１】以降は省略されています）

関連特許