私の研究は、強化型実験計画法（iDoE）アプローチを適用することで、バイオ医薬品業界における哺乳類細胞を用いた初期段階のプロセス開発の効率性を向上させることを目的としています。従来の実験計画法とは異なり、iDoEでは重要なプロセスパラメータ（CPP）を実験内で変動させます。このアプローチは、データ生成効率を高めるだけでなく、段階的な最適化を通じて時間的なプロセスダイナミクスを考慮することも可能にします。しかし、潜在的な制約として、以前のCPP設定が細胞に（不可逆的に）影響を与え、その後のCPP設定値に対する細胞の応答挙動に影響を与える可能性があることが挙げられます。
この課題に対処するため、私の研究では、プロセス履歴の影響を考慮した、iDoE（実験計画法）の計画と評価を堅牢に行うためのガイドラインの開発に焦点を当てています。本シミュレーション研究では、プロセス履歴に関連する相互作用項の異なる効果量が回帰モデルに与える影響を調査することに重点を置いています。続いて、これらのモデルのベータ推定値と分散成分を比較し、プロセス履歴を明示的に考慮しない場合の影響を評価します。この研究は、プロセスの動的な性質を考慮し、初期開発段階におけるプロセス最適化の実施方法を革新することで、バイオ医薬品業界に大きな影響を与える可能性を秘めています。
皆さん、こんにちは。今日は、JMPを使って行ったシミュレーション研究についてお話しする短い講演にお越しいただきありがとうございます。このシミュレーションでは、プロセス履歴がiDoE回帰モデルに与える影響をシミュレーションしました。まずは、ごく簡単なご紹介から始めましょう。
私たちはバイオプロセスに取り組んでおり、それらは通常バイオリアクター内で行われます。これらのバイオリアクター内で細胞が培養され、その細胞が最終製品（通常は抗体）を生成します。これらのプロセスは、温度、溶存酸素など、さまざまなプロセスパラメータに依存します。
通常、実験計画法を用いて、例えば抗体の収量やプロセス内で得られる生細胞密度など、応答を最大化するための理想的なプロセスパラメータを特定します。これらのプロセスは、細胞増殖プロセスに典型的な、増殖期、移行期、生産期といった異なる古典的な段階に分けることができます。
次のスライドでは、緑色と青色の2種類のバイオリアクターの成長曲線を示します。ご覧のとおり、青色のバイオリアクターは、緑色のバイオリアクターの3倍の規模になっています。両者の違いは何でしょうか？ご覧のとおり、それぞれのプロセスで実行された温度プロファイルに基づいて、両者は異なっています。
ご覧のとおり、青色の成長曲線ははるかに高い値を示しています。これは、生存細胞密度が緑色のプロセスよりもはるかに高いため、このような高い値につながっていることを示しています。つまり、プロセスのダイナミクスを理解することで、バイオプロセスの性能を大幅に向上させることができる可能性があるということです。
まさにこれが、強化型実験計画法の根底にある考え方です。強化型実験計画法では、プロセスを複数の段階に分割します。例えば、第1段階、第2段階、第3段階といった具合に、実験内でパラメータを時間経過とともに変化させていきます。
成長段階から移行段階、そして生産後退段階へとプロセスパラメータを変更することで、プロセス全体で使用する単一のパラメータセットではなく、これらの各段階内でパラメータ設定を最適化することが可能になり、プロセスダイナミクスを最適化することができます。
しかし、このアプローチにおける課題の一つは、プロセス履歴が回帰モデルに与える影響を適切に考慮する方法です。例えば、ステージ1のプロセスパラメータは、ステージ2やステージ3におけるプロセスパラメータの変化に対する細胞の応答挙動にどのように影響するのでしょうか？まさにこの点を解明することが、本シミュレーション研究の目的であり、プロセス履歴が回帰モデルに与える影響を調査するものです。
どのようにシミュレーションしたのでしょうか？2つのプロセスパラメータ（この場合は温度と溶存酸素）と3つのステージ（ステージ1、ステージ2、ステージ3）を用いた、より詳細な実験計画法に基づいてデータをシミュレーションしました。各ステージにおける各プロセスパラメータの影響は、ご覧のとおり、ステージ1の温度と溶存酸素、ステージ2の温度と溶存酸素、そしてステージ3の温度と溶存酸素について明示的に記述されています。これらのプロセスパラメータはすべて変更しにくい要因としてモデル化されており、同時に、時間的要素である培養期間も変更しやすい要因として検討しています。
また、バイオリアクターも考慮に入れ、バイオリアクター間のランダムなずれに対応するため、全体を一つのプロットとしてモデル化しています。これは線形混合モデルとしてモデル化しています。
この中でプロセス履歴はどこで確認できるのでしょうか？プロセス履歴は、これらのステージ間相互作用の中にあります。つまり、第1ステージのプロセスパラメータ設定が、第2ステージまたは第3ステージのプロセスパラメータの変化を通じて、細胞の応答挙動にどのような影響を与えるかということです。ここでは、第1ステージの温度について重点的に説明しています。これらのステージ間相互作用を利用することで、プロセス履歴の影響を把握することができます。
これで、シミュレーションの設定について説明できます。JMPのシミュレーション応答プラットフォームを使用しました。先ほどのスライドでご紹介した設計をそのまま使用してモデルを作成し、このモデルにおけるベータ係数がどのような値になる可能性があるかを把握しました。
この基本モデルを作成するにあたり、過去の回帰モデルから得られた知見を活用しました。この基本モデルでは、プロセス履歴の影響をモデル化するために、段階間の相互作用をシミュレーションで強調表示しました。これらの段階間の相互作用によって、プロセス履歴が回帰モデルに与える影響を把握することができます。
データの見た目を視覚的に把握するために、ここではこのシミュレーション基本モデルにおける培養期間に対する生存細胞密度をプロットし、ステージ1の温度の影響に応じて色分けしました。しかし、プロセス履歴の影響に関心があるため、この基本モデルから逸脱し、ステージ間の相互作用の大きさを変化させた代替モデルを作成しました。ここでは、ステージ間の相互作用の係数を2倍にし、次に半分にし、さらに4分の1にすることで、プロセス履歴の影響が異なるさまざまなシナリオをシミュレートしました。
これらのグラフからもわかるように、これらも完全に妥当な生存細胞密度曲線を示しています。先ほどお見せした4つの異なるモデルを、線形混合モデルの固定効果として使用しました。また、ランダムな穴のプロット誤差とランダムな残差誤差も導入しました。次に、これらのモデルを当てはめました。
まず、ここに私のモデルで使用したすべての対象用語を示します。私がシミュレーションしたすべての用語には、プロセス履歴の代理変数として使用する段階間相互作用も含まれています。私が適合させた2番目のモデルは、これらの段階間相互作用を含まないモデルだったので、プロセス履歴に対応する方法がありませんでした。
次に、ベータ推定値、シミュレーションで得られたベータ係数の推定精度、および分散成分に基づいて、これら2つのモデルを比較しました。このフィッティングを1,000回繰り返し、それぞれの分布を調べました。結果のセクションでは、この分布について詳しく説明したいと思います。
データが実際にどのようなものかイメージしていただくために、ここでは1つのベータ値について、プロセス履歴を考慮した段階間相互作用を含む完全モデルと、プロセス履歴を考慮しない段階間相互作用を含まない縮小モデルのベータ推定値の分布を視覚化しました。
ご覧のとおり、大きなステージ間相互作用が2倍の場合、平均ベータ推定分布間にかなり大きな差があります。一方、非常に小さなステージ間相互作用効果の場合、私が実行した1,000回のフィッティングにおける両方のベータ推定分布の平均推定値間の差は非常に小さくなっています。両方のベータ分布の推定値の差がゼロであれば、両方のモデルの平均推定値が同じであることを意味します。
次のスライドでは、プロセス履歴を考慮した完全モデルのベータ推定値と、プロセス履歴を考慮しない段階間相互作用のない縮小モデルのベータ推定値との平均差を計算しました。
ご覧のとおり、これらの段階間相互作用の効果量が大きい場合、完全モデルと段階間相互作用を含まないモデルの平均ベータ推定値にはかなり大きな差があります。一方、これらの段階間相互作用の効果量が小さい場合、その差はごくわずかです。
次のスライドでは、分散成分についてお見せしたいと思います。プロセス履歴を考慮し、これらの段階間相互作用を考慮した完全モデルとの比較では、これらの段階間相互作用の効果量に関係なく、分散成分が0.25で正しく推定されていることがわかります。一方、段階間相互作用のない縮小モデルでは、残差分散と比較して、プロット全体の分散が非常に大きくなっていることがわかります。
これらの段階間相互作用の効果量が小さいほど、これらの分散成分は実際のシミュレーションによる分散成分に近づきます。この膨張した全体プロット分散は、モデルに欠落している相互作用項による分散の一部を、この全体プロット分散項を膨張させることでモデルが説明していることが原因であると考えられます。
これで結論、つまりプレゼンテーションの最後になります。私たちが確認したのは、非常に小さな段階間相互作用、つまりプロセス履歴の影響が小さい場合、段階間相互作用を考慮しないモデルは、プロセス履歴を考慮した完全なモデルに投影されるということです。つまり、これらの段階間相互作用はモデリングにおいて無視できる可能性があるということです。
一方、ステージ間の相互作用が大きい場合や、プロセス履歴の影響が大きい場合は、ベータ推定値にかなり大きな影響が見られます。これは、ステージ間の相互作用を考慮したモデルと、相互作用を考慮しないモデルの平均ベータ推定値の差で確認できます。ステージ間の相互作用を考慮しないモデルでは、全体プロットの変動が大きくなることで、この影響が部分的に補償されます。
簡単に概観すると、これらの結果を一般化するために、段階をまたいだ相互作用の大きさを段階をまたがない相互作用と比較して定量化し、将来的に得られるであろう実際の実験結果と比較する方法を見つけたいと考えています。
さらに、このベンチマークを段階的回帰モデルなどの他のモデリング手法にも拡張し、iDoEデータの分析に機能データエクスプローラーを使用することも検討したいと考えています。
これで私のプレゼンテーションは終了です。ご清聴ありがとうございました。特に、博士課程の研究期間中、指導と助言をいただいたヴェレナとベアテに深く感謝いたします。
