GEN に、Thermo Fisher Scientific の Augustė Užuotaitė 氏による寄稿が掲載された。これから本当に効いてくるのはより賢いソフトウェアや技術ではなく、堅牢なアッセイ設計、試薬の化学、そして自動化ワークフロー向けに設計された消耗品(室温で安定であることを含む)だという主張である。
ばらつきの出どころは装置でもアルゴリズムでもない
データ駆動の手法は入力データの品質を超えられない。ラボでの品質の悪さは多くはばらつきであり、その出どころは試薬のロット間差(抗体、酵素、標識試薬は同じ品番でも挙動が動く)、冷蔵・冷凍で運ばれる試薬の温度履歴、プレートの表面処理やチップの吸着、シールの密着といった消耗品、そして自動化装置で1枚目と最後の1枚で異なる反応時間である。
これらは記録に残りにくい。データには値だけが残り、それを生んだ条件は残らないため、後から解析で差を取り除くのは難しい。アッセイの品質指標(Z因子)がスクリーニングで重視されるのは、この種の分離しにくい変動を実験を始める前に押さえるためである。
室温安定は、装置設計の自由度と結果の均一性に関わる
自動化装置では、試薬は装置上に置かれたまま数時間から一昼夜、室温に晒される。冷蔵が要る試薬をそこに置けば、使い始めと使い終わりで活性が違い、プレートの位置によって結果に系統的な傾斜が出る。冷却ユニットを組み込めば装置が複雑になり故障点が増える。寄稿が消耗品を自動化ワークフロー向けに設計すると述べているのは、この種の要求に対応するものだ。
入力を安定させる仕組みを確かめる
同じ構造はGMP側でも以前から言われてきた。原材料の品質管理では原材料のばらつきを工程で吸収しきれないこと、供給者管理と受入試験ではCoAに依拠してよい根拠を先に作ること、分析法の頑健性(DoE)では条件を意図的に振ってどこまで動いても結果が変わらないかを確かめること、標準物質の設定では比較の基準そのものが動けば傾向監視が成立しないことである。
ソフトセンサーやデジタルツイン、ラマンによる工程内制御のようにモデルを製造工程の判断に組み込む場合は、モデルを作ったときの原材料といま使っている原材料が同じ性質か、センサーの校正が保たれているか、モデルが想定していない領域に入っていないかを確かめることになる。モデルは学習したときの条件の外側では保証されず、工程内制御に使っている場合、原材料や消耗品の変化によるずれは製品に直接及ぶ。
※ 本ページは公開情報(GEN の記事)をもとにしたProglenth編集部による整理です。寄稿者の具体的な論旨・言及製品の詳細は一次情報をご確認ください。本文中の解説はアッセイおよび製造一般の構造に関する説明であり、記事中で述べられた見解を要約したものではありません。