抗体医薬応用・分析

凍結乾燥の残留水分は壊さずに読めるようになったか

Proglenth 編集部公開 2026-09-09約4分で読めます

凍結乾燥した抗体医薬のロットで残留水分を測ろうとすると、まずバイアルを1本壊すところから始まります。カールフィッシャー滴定は正確な方法ですが、試料を溶かして反応させる破壊試験です。1ロットから抜き取れる本数は限られ、抜いた数本の値でロット全体を代表させるしかありません。棚の中央と端でケークの乾き方が違うことは知られていても、その差を全数では追えないというのが現場の実情です。

NIR/FTIRモニタリング凍結乾燥機#凍結乾燥#残留水分#NIR#PAT

FiorenzaとTorinoが2026年にBiotechnology and Bioengineering誌に発表した論文は、この「壊さないと測れない」という制約に手を付けました。近赤外分光(NIR)のスペクトルから残留水分を予測する機械学習モデルを作り、プラセボで学習させたのち実際の医薬品バイアルで検証したところ、低水分域はSVR(サポートベクター回帰)、高水分域はPLS(部分最小二乗回帰)がそれぞれ精度で優れ、両者を組み合わせたアンサンブルモデルが水分域全体で予測精度を底上げしたと報告しています。

本稿では、この論文が示したモデルの中身と、なぜ低水分域と高水分域で得意なモデルが分かれるのかを追ったうえで、実在するNIR・PAT機器に照らして、この技術が凍結乾燥ラインにどこまで組み込めるのかを5分でたどります。

この記事の要点

論文はNIRスペクトルと機械学習(PLS・SVR・XGBoost・アンサンブル)を組み合わせ、破壊せずに残留水分を予測するモデルを報告しています。
低水分域はSVR、高水分域はPLSが精度で優れ、両者を組み合わせたアンサンブルが水分域全体で精度を底上げしました。
実在のPAT機器は主に乾燥中の工程監視を担っており、この論文が狙うのは乾燥後の製品そのものを読む段階です。

この論文が言っていること

論文の主張は、残留水分の予測に使うモデルを1種類に決め打ちしないという一点に絞れます。NIRスペクトルは水分子の吸収帯を含みますが、水分が少ない領域ではスペクトルの変化がわずかで、水分が多い領域では逆に変化が大きく出ます。同じ1つの回帰モデルで両方の領域を精度よくカバーするのは、そもそも無理のある設計です。

論文はPLS、SVR、XGBoost、そしてPLSとSVRを組み合わせたアンサンブルという4種類のモデルを比較しました。プラセボのサンプルで学習させたモデルを、実際の医薬品ドラッグプロダクトのバイアルで検証したところ、低水分域ではSVRが、高水分域ではPLSがそれぞれ優れた予測精度を示しました。狙いは、規格を外れやすい低水分域(1%を下回る領域)でも、実務のQC基準に届く精度を確保することです。独立した5分割の交差検証で頑健性を確かめたところ、アンサンブルモデルはRMSEのばらつきが標準偏差0.006%にとどまり、SVR単体の0.021%より安定していました。⁠得意な水分域が逆になる2つのモデルを、狙って組み合わせたのがこの論文の工夫です。

さらに、賦形剤の異なるプラセボや模擬ドラッグプロダクトを使った外部データセットでも検証し、モデルの頑健性と汎用性を確かめています。異なる処方に対してもある程度の予測力を保つという結果は、1つの処方専用のモデルにとどまらない可能性を示しています。

残留水分の測り方を実在の機器で追う

抽象的なモデルの話のままでは、現場のPATとどう繋がるのか見えません。実在する凍結乾燥のPAT機器に置き換えると、この論文がどこを狙っているのかがはっきりします。

パイロット機であるSP Scientific/ATSのHull LyoStar 4.0は、LyoFlux(TDLAS)、SMART Freeze Dryer、ControLyo、Tempirsといった複数のPATを搭載しています。ここで使われるTDLAS(可変波長ダイオードレーザー吸収分光法)は、チャンバー内を流れる水蒸気そのものを測定し、一次乾燥がいつ終わるかという工程の終点を捉える技術です。アルバックの凍結真空乾燥装置DFBシリーズが備えるDRYMONIも、乾燥中の水分挙動を監視する仕組みです。どちらも、乾燥の「途中」を見る技術だといえます。

一方、この論文のNIR・機械学習モデルが狙うのは、乾燥が終わった後の製品そのものです。バイアルに残った固体のケークにNIR光を当て、その反射スペクトルから残留水分を読み取る。工程監視とは別の対象を見ている技術です。サイトの製品カタログでもNIR/FTIRモニタリングはすでに63製品を数える確立したカテゴリで、目新しい計測原理ではありません。この論文が付け加えたのは、水分域ごとにモデルを使い分けるという解析側の工夫です。

POINT

工程の途中を見るTDLASと、乾燥後の製品を見るNIR・機械学習は、同じPATでも狙っている対象が違います。カールフィッシャー法によるロット代表数本の破壊試験を、全数の非破壊測定に置き換えられるかどうかは、後者の精度にかかっています。

この論文だけでは決まらないこと

この論文が確かめたのは、モデルの予測精度が実験室レベルで成立することまでです。この結果を規格試験としてそのまま使えるかどうかは、別の話です。

出荷判断に使うには、当局がNIR・機械学習モデルをカールフィッシャー法の代替として受け入れるかという規制上の論点が残ります。また、モデルが処方ごとにどこまで作り直しを要するのか、この論文の外部検証だけでは判断しきれません。残留水分は低ければ良いというものではなく、製剤ごとに狙いの窓があることは凍結乾燥サイクル設計で扱ったとおりです。その窓の中に収まっているかを、壊さずに全数で確かめられるようになるかどうかが、この技術の実用化を左右します。

論文はモデルの精度を示しました。それを規格に落とし込むところは、この論文の射程の外にあります。

参考文献

Fiorenza, S., D'Urso, M., Torino, E., et al. "Machine Learning-Based PAT Tool for Real-Time Residual Moisture Monitoring in Lyophilized Biopharmaceuticals Using NIR Spectroscopy." Biotechnology and Bioengineering. 2026. DOI: 10.1002/bit.70302