Ramanインライン計測で培養をリアルタイム制御する
抗体医薬の本培養では、「1日1回サンプリングして翌日に結果を見る」やり方が長く標準でした。グルコース微生物発酵でエネルギー源となる糖類などの炭素源と、目的遺伝子の発現を促す誘導物質のことです。詳しく →や乳酸、細胞数を知るには培養液を抜き取り、オフラインの装置にかけるしかなかったからです。この方式には三つの弱点が付いて回ります。第一に遅い——結果が出る頃には培養はすでに先へ進んでいます。第二に無菌境界を破る——抜き取りのたびにコンタミのリスクと人手が発生します。第三にばらつく——サンプリングのタイミングや操作、保存の差が測定値に乗ります。培養が崩れ始めているのに、それが数字として見えるのは翌日、ということが起こります。
現場が本当に欲しいのは、栄養・代謝物・細胞の状態をその場でリアルタイムに把握し、その情報をそのまま制御に戻す仕組みです。ここでRamanインライン計測が効いてきます。培養液にプローブを浸すだけで、ラベルフリー・in situに分子振動のスペクトルを連続取得し、ケモメトリクスモデルを介してグルコース・乳酸・グルタミン・アンモニウム・生細胞密度培養液中の生きた細胞の密度。灌流速度はCSPR×密度×体積で決まる。（VCD生存細胞密度。培養液の単位体積あたりに存在する生きた細胞の数を示し、増殖の状態を表す指標。）・製品濃度などを近リアルタイムに推定できます。推定した値を設定値と突き合わせ、外れそうならフィードポンプを動かす——サンプリング周期に縛られない閉ループ制御が組めます。Ramanの原理と水系適性そのものはラマン分光によるバイオプロセスのPATで扱っているので、本稿はその「制御への応用」に絞ります。
ただし、Ramanは「浸せば数字が出る」魔法の道具ではありません。得られるのは分子振動を反映したスペクトルであって、そのままではグルコース濃度になりません。生スペクトルを制御に使える数値へ翻訳するにはケモメトリクスモデルが要り、そのモデルをどう作り、どの波数を使い、どう維持するかが運用の成否を分けます。この記事では、Ramanが読む対象、スペクトルを制御につなぐ仕組み、パーフュージョン培養液を連続的に入れ替えながら細胞を高密度に保ち、長期間生産を続ける培養方式です。細胞を装置で保持し、老廃物を除きつつ栄養を補給します。詳しく →とフェドバッチ種培養で増やした細胞を大型の培養槽に移し、目的物質を本格的に産生させる最終段階の培養です。栄養を追加しながら育てるフェドバッチが広く使われます。詳しく →での使いどころ、そしてモデル構築・維持という限界までを、実務目線でたどります。
オフラインサンプリングというボトルネック
まず、なぜリアルタイム制御が要るのかを整理します。従来のオフラインサンプリングは、培養液を抜き取って別の装置で測る方式です。得られるデータは信頼性が高い一方、測定のたびに無菌境界を破るため、頻度を上げるほどコンタミのリスクと作業負荷が増します。そのため実務では測定間隔が1日1回程度に落ち着きがちで、その結果、判断は常に「昨日の状態」を根拠に下されることになります。
この遅れが痛いのは、培養が動きの速い局面に入ったときです。増殖期から産生期への移行、乳酸の蓄積から消費への切り替わり、グルコースの枯渇の兆し——こうした変化は数時間から半日のスケールで起こり得ます。翌日のサンプリングまで待っていては、フィードフェドバッチで追い足す濃縮した栄養液。いつ・どれだけ・どう入れるかが生産性と品質を左右する。や温度の調整が後手に回ります。VCDのように、抜き取ってから細胞計数・生存率測定にかけて初めて分かる指標は、とくにこの遅れの影響を受けます。
長期運転になるほど、この問題は増幅します。数十日にわたって連続運転するパーフュージョン培養では、サンプリング回数がそのまま無菌破壊の機会の数になり、ばらつきの累積にもつながります。「測ってから直す」から「読みながら直す」へ移りたいという要求は、まさにこの構造的なボトルネックから来ています。Ramanインライン計測は、無菌境界を破らずに測定間隔を実質的にゼロへ近づける——つまり連続的に覗き続ける——ことで、この要求に応えようとする手段です。
Ramanが近リアルタイムに読む対象
Ramanの魅力は、ひとつのスペクトルのなかに複数成分の情報が同時に含まれる点にあります。分子振動に固有の波数位置にピークが現れ、その強度がおおまかに成分量を反映するため、うまくモデルで分離できれば、栄養・代謝物・細胞・製品を一括で推定できます。培養モニタリングで対象になりやすいものを整理すると、次のようになります。
| 対象 | 具体例 | 制御での使い方 | 推定のしやすさ |
|---|---|---|---|
| 栄養 | グルコース | 供給フィードの増減判断 | 高濃度で明瞭、比較的容易 |
| 代謝物 | 乳酸、グルタミン細胞のエネルギー源・窒素源となるアミノ酸。細胞の代謝でも培地中の化学分解でもアンモニアを放出する。、グルタミン酸 | 代謝の傾き把握、フィード・温度判断 | 中程度、モデル依存 |
| 代謝物 | アンモニウム | 蓄積の監視 | 低濃度で難しくなりがち |
| 細胞 | 生細胞密度（VCD）、総細胞密度 | 増殖・生存の推移、ブリード判断 | 中程度、散乱の影響を受ける |
| 製品 | 抗体（タンパク質）濃度 | 力価の立ち上がり・傾きの把握 | 共存タンパクとの切り分けがモデル依存 |
制御の観点で最も扱いやすいのは、高濃度で明瞭な信号を出すグルコースです。残量をリアルタイムに近い形で追えるため、供給フィードの判断に直結します。乳酸は、増殖期に溜まったあと産生期に消費へ転じる代謝シフトが起こるかどうかがプロセスの目印になり、その切り替わりを翌日を待たずに捉えられれば介入を前倒しできます。一方、アンモニウムの蓄積管理のように低濃度で信号が弱い成分は推定が難しくなりがちで、VCDや抗体濃度も、散乱や共存成分の影響をモデルがどこまで補正できるかに精度が左右されます。「何でも同じ確度で測れる」わけではなく、対象ごとに得手不得手がある、という前提で使うのが実務的です。
なぜ非破壊・in situで読めるのかといえば、Ramanが試薬も前処理細胞移植の前に患者へ行う処置。生着の場を空けるために既存の骨髄細胞を減らす目的で実施される。も要らず、プローブを浸して散乱光を拾うだけの計測だからです。ラベル（標識）を加えず、サンプルを消費せず、無菌のまま連続測定できる——この性質が、制御に必要な「途切れないデータ」を可能にします。
スペクトルを制御につなぐ：ケモメトリクスと閉ループ
Ramanをリアルタイム制御の道具にする鍵は、生スペクトルを数値へ翻訳するケモメトリクス多数の測定データから関係性や傾向を統計的に読み解くソフトです。分光データなどを解析し、品質や工程状態の把握に使います。詳しく →（多変量校正）にあります。ラマンスペクトルは、多数の波数点にわたる強度の並びで、そこに複数成分の信号とノイズ・蛍光が重なっています。これを特定成分の濃度に変換する代表的な手法がPLS回帰（部分最小二乗回帰）で、スペクトル全体とオフライン分析で測った参照値との関係を統計的に学習させ、未知スペクトルから濃度を予測します。学習の前段では、ベースライン補正や微分、標準正規化といった前処理で蛍光の傾きや散乱変動を取り除くのが定石です。
制御につなぐには、この推定値をコントローラに渡し、アクチュエータ（フィードポンプなど）を動かす閉ループを組みます。たとえばグルコース濃度をRamanで推定し、設定値を下回りそうならフィードを足す。グルコースを低めに維持して乳酸の発生を抑える、乳酸シフトの遅れを早期に検知して条件を動かす、といった判断を、サンプリング周期に縛られずに回せるようになります。監視の位置が抜き取りから槽の中へ移ることで、事後的な記録が準リアルタイムの介入へと変わり、制御の粒度そのものが変わるわけです。
リアルタイム制御の価値は、測定点を増やすことではなく、判断のタイミングを前倒しすることにあります。Ramanでグルコースを近リアルタイムに読み、閉ループでフィードを打てれば、「昨日の状態」ではなく「今の状態」を根拠に工程を動かせます。ただし閉ループの中核はスペクトルではなくケモメトリクスモデルです。モデルが外れれば、制御はもっともらしい間違った値に従って動くため、精度の裏づけと監視が前提になります。
パーフュージョンとフェドバッチでの使いどころ
制御応用が最も効くのは、長時間・連続で状態を保ちたい運転形態です。とくにパーフュージョン培養は好例で、数十日にわたる連続運転を定常状態増殖と引き抜きが釣り合い、細胞密度や代謝の指標が時間で大きく動かない状態。に保つには、栄養・代謝物・細胞密度を途切れなく把握し続ける必要があります。オフラインサンプリングでは頻度に限界があるため、インライン計測との相性がよい領域です。実際、パーフュージョン細胞培養に対するインラインRamanの監視と制御の頑健なプラットフォームが報告されており（PubMed 38393313）、モニタリングにとどまらず制御まで含めて運用する方向が示されています。
フェドバッチでは、グルコース供給のタイミングと量の最適化が主な使いどころです。従来は決め打ちのフィードスケジュールに頼りがちですが、Ramanで残量を読みながら供給すれば、過剰供給による乳酸・浸透圧溶液中の溶質濃度で決まる、水を引き込む圧。培養では上昇が細胞ストレスになる管理項目。の上昇や、枯渇による代謝ストレスを避けやすくなります。両者の性格の違いを整理すると、次のようになります。
| 項目 | フェドバッチ | パーフュージョン |
|---|---|---|
| 制御の狙い | フィード量・タイミングの最適化 | 定常状態の維持 |
| 監視したい主対象 | グルコース、乳酸、力価の傾き | 栄養・代謝物・VCD（ブリード判断含む） |
| 時間スケール | 数日〜十数日 | 数十日の連続運転 |
| インライン計測の効き方 | 供給の作り込みで収量・品質を安定化 | サンプリング頻度の制約を外し定常を保つ |
いずれの形態でも、Ramanによるインライン制御は単独で完結するものではなく、工程理解に裏づけられた管理戦略（Control Strategy）の一要素として位置づけられます。あらかじめ理解したデザインスペース品質が保証されると実証された、工程パラメータや原材料特性の多次元的な組み合わせの領域。の内側に工程を保つための手段であり、単に「データが増える」のではなく、CQA製品の有効性や安全性に直結し、規格で管理すべき品質特性。空実比や純度、凝集体などが該当する。を守る根拠のある管理として組み込まれることに意味があります。工程が止まらず流れ続ける連続生産では、この実時間の把握と制御がとくに効いてきます。
実務での注意点と限界：モデルの構築・変数選択・維持
Ramanインライン制御の実装で最も重い課題は、装置そのものよりモデルにあります。in-line Ramanをバイオ医薬製造に応用してより深い工程理解を得る取り組みが報告されていますが（ScienceDirect）、そこで共通して語られるのは、モデルの構築・検証・維持の負担です。実務で焦点になる点を挙げます。
- 校正データが実運用の変動を張っているか：モデルは学習した範囲の内側でしか当たりません。狙う濃度域、細胞株、培地細胞を体外で生存・増殖させるために必要な栄養・エネルギー源・成長因子などを含む液体または固体の環境基盤。ロット、スケールの違いを意図的に振ってスペクトルとオフライン参照値のペアを集めておかないと、狭い条件でしか使えないモデルになります。校正データの設計が、制御の当たり外れをそのまま決めます。
- 変数選択（どの波数を使うか）：スペクトル全体を使うか、成分に効く波数域を選ぶかで、モデルの頑健さと外挿耐性が変わります。無関係な波数を取り込むと、蛍光やノイズの変動を成分の変化と取り違えやすくなります。逆に絞りすぎると情報を落とします。ここは経験と検証を要するチューニングです。
- 維持とキャリブレーショントランスファー：プローブ交換やレーザーの経年変化による機差、培地バッチ差、泡・温度・プローブ表面への付着などは、いずれも予測を静かに狂わせます。定期的な再校正、機差を補正するキャリブレーショントランスファー、ドリフト監視といった維持管理の体制がないと、現場では使い続けられません。モデルは作って終わりではなく、ライフサイクル管理の対象です。
- 低濃度・共存成分の限界：アンモニウムのような低濃度成分や、共存タンパクと切り分けたい製品濃度は、そもそも推定の難度が高く、制御に使える確度に届かないこともあります。何を閉ループで制御し、何を傾向監視にとどめるかの線引きが要ります。
Ramanのモデルは資産であると同時に負債です。学習した範囲の内側では強力に働きますが、細胞株・培地・スケール・プローブが変わると外挿になり、静かに劣化します。リアルタイム制御では、その劣化がそのまま誤った操作につながるため、再校正・トランスファー・ドリフト監視という維持管理を、制御ループと一体で設計しておく必要があります。
これらはいずれも、「生スペクトルを制御量に翻訳する」ことの帰結です。逆に言えば、校正データの設計・変数選択・モデル維持という手順の頑健さを固められれば、Ramanインライン計測は培養を「測ってから直す」工程から「読みながら直す」工程へ移す、実効性のある基盤になります。どの成分を閉ループで制御し、どこまでを傾向監視にとどめるか——その線引きを、モデルの確度と工程の重要度に照らして決めるのが、導入設計の実務的な出発点です。
