30分以内に結果を出力、シンガポール国立大学/MITなどがSVMベースの微生物汚染検出モデルを構築
先端治療薬（ATMP）の重要な構成要素である細胞治療製品（CTP）は、希少疾患や難治性疾患の患者に希望をもたらしています。しかし、その生産工程は微生物の侵入に対して非常に脆弱であり、微生物汚染は常にこの希望の光に霞のようにかかっています。半世紀にわたって使用されてきた USP <71> (米国薬局方第 71 章に記録されている無菌試験方法) などの従来の無菌試験方法は、精密医療の新たな要求を満たすことができないようです。2 週間の培養サイクル、面倒な前処理手順、および主観的な判断に頼る濁度観察は、細胞調製物の短い保存期間に大きく遅れをとるだけでなく、誤った判断により患者を感染リスクにさらす可能性もあります。
細胞治療製品の開発が急激に進むにつれ、微生物汚染の迅速かつ正確な検出がますます緊急の課題となっています。革新的な検出方法である機械学習支援UV吸収分光法が登場しました。光学技術と強力な機械学習手法を組み合わせています。大量のトレーニング データや成長エンリッチメントの手順は必要ありません。少量のサンプルでわずか 30 分で検査結果が出力され、細胞治療製品の安全性を強力に保護します。
最近、シンガポール-MIT研究連盟、シンガポールA*SRL研究所、シンガポール国立大学、マサチューセッツ工科大学の共同研究チームは、紫外線吸収分光法と機械学習を組み合わせた検出方法を提案し、細胞培養上清の微生物汚染検出を30分以内に完了できるようになった。この方法では、1 クラス サポート ベクター マシン (1 クラス SVM) を使用して、紫外線スペクトルにおけるニコチンアミドとナイアシンの特性の違いを分析し、7 つの一般的な汚染微生物をテストしたときに平均真陽性率が 92.7% であることを示します。ナイアシン代謝異常のあるドナーサンプルを除外した後でも、真陰性率は依然として 92% に達し、経験に頼る従来の判断の精度をはるかに上回ります。
関連する研究結果は、「細胞治療製品における微生物汚染の機械学習支援UV吸収分光法」というタイトルでネイチャー誌のScientific Reportsに掲載されました。
用紙のアドレス:https://hyper.ai/en/sota/papers/s41598-024-83114-y
「HyperAI Super Neural」の公開アカウントをフォローし、「微生物汚染モニタリング」と返信すると、完全なPDFを入手できます。
データセット: 市販の分光計を使用して収集された滅菌MSC培養サンプルのデータ
この研究では、データセットの構築と分析は間葉系間質細胞 (MSC) 培養を中心に行われました。急性組織損傷、炎症性疾患、慢性変性疾患の治療におけるMSC療法の幅広い応用を考慮して、研究チームはそれを実証対象として選択し、市販の分光計を使用して、1クラスサポートベクターマシン（1クラスSVM）モデルのトレーニング用の基礎データとして滅菌MSC培養サンプルの吸収スペクトルを収集しました。この研究では、スペクトル特性の違いを捉えることで細胞培養サンプルの汚染状態を予測する異常検出戦略を採用し、ナイアシン（NA）とニコチンアミド（NAM）代謝物のスペクトルの違いの仮説に基づいて、汚染を識別するSVMモデルの潜在的なメカニズムを調査しました。
実験中、研究者らはドナーAのMSC培養システムに10 CFUの大腸菌を接種し、21時間後に汚染信号を検出することに成功しました。 7 人の市販ドナーからのサンプルの検出性能を比較した結果、ドナー A は他のドナーからの無菌サンプルの識別において優れた性能を示したため、初期トレーニング データのソースとして選択されました。その後の研究では、この方法は、汚染レベルが10 CFUという低い7種類の微生物を効果的に検出しただけでなく、クロスドナーテストを通じて技術の堅牢性も検証しました。
SVM モデルの性能を詳細に分析するために、本研究では主成分分析 (PCA) 手法を導入しました。緑膿菌接種サンプルは、液体クロマトグラフィー質量分析（LC-MS）検出で最も高いNA濃度を示したため、研究対象として使用されました。トレーニング データ セットと汚染されたサンプルの分布は、PCA を通じて視覚化されました。結果は、汚染されたサンプルと滅菌されたサンプルが空間的に明確に分離されており、滅菌状態と汚染状態が効果的に区別されていることを示しました。主成分 1 (PC 1) と主成分 2 (PC 2) のローディング ベクトルをさらに分析し、PBS 中の 100 μg/mL NA と NAM の正規化された UV 吸収スペクトルを組み合わせて、スペクトル特性と主成分間の関連性を直感的に表現しました。
モデルの堅牢性の検証段階では、6 人の商用ドナー (ドナー BG) から廃棄培養培地と PBS 滅菌サンプルを収集し、ドナー間テスト データ セットを構築しました。異なるドナーソースからの SVM モデルをトレーニングし、クロス検証することで、ドナー A と B に基づいてトレーニングされたモデルの予測精度が高くなることがわかりました。 418個の検査サンプルを分析した結果、モデルの真陽性率は92.7%に達し、検出限界は10 CFUで安定して維持されました。しかし、真陰性率が77.7%であることは、まだ改善の余地があることを示しており、その中でもドナーFサンプルの異常なNAレベルによって引き起こされる偽陽性の問題が特に顕著であり、ドナー間の代謝の違いに対するモデルの適応性をその後最適化する方向性を示唆しています。
機械学習支援型紫外線吸収分光法：コアアルゴリズムとしてのサポートベクターマシン
機械学習が微生物汚染の検出をより効果的に支援できるようにするために、本研究では機械学習と紫外線吸収分光法を革新的に組み合わせて、微生物汚染を検出するための高速で高感度かつ費用対効果の高い方法を提案しました。この方法は、サポートベクターマシン（SVM）をコアアルゴリズムとして使用し、細胞培養培地の紫外線吸収スペクトル特性を分析することで微生物汚染を正確に識別します。
モデル構築に関しては、研究者らは単一クラスのサポートベクターマシンを使用し、カーネル関数としてラジアル基底関数 (RBF) を選択し、γ 値を 0.002、ν 値を 0.2 に設定しました。トレーニング データ セットは、パッセージ 2、4、6 の 2 日目から 7 日目までのドナー 5 と、ドナー 8 の PBS 添加滅菌サンプルで構成され、すべて滅菌状態を表す 1 というラベルが付けられました。各サンプルの吸光度データは、ナイアシン (NA) とニコチンアミド (NAM) の重要なスペクトル特性に焦点を当て、他の帯域のノイズによる干渉を回避するために、237 nm ～ 300 nm の波長範囲をカバーしました。すべてのサンプルは、機器のドリフトやその他の要因によって発生するスペクトル偏差を修正するために、モデルのトレーニング前に平均中心化され、それによってモデルの精度が向上しました。
モデルの検証と応用に関しては、機械学習支援UV吸収分光法を使用して、ドナーAのMSC培養物に大腸菌10 CFUを添加し、9時間から24時間の間に3時間間隔で3回上清サンプルを抽出することにより、この方法が低濃度汚染物質を検出する能力を実証しました。結果は下の図に示されています。 SVM モデルは、サンプルが 21 時間後に汚染され、合計検出時間は約 21.5 時間であったことを正確に予測できました。
さらに、この研究では機械学習を活用したUV吸収分光法と既存の方法を比較しました。結果は、機械学習支援UV吸収分光法の検出時間（TTD）は21時間であり、これはUSP <71>テスト（濁度が観察されるまで24時間）およびLC-MSによるNA/NAM比の計算方法（18時間）に匹敵することを示しました。ただし、BacT/Alert® 3DとUSP <71>の両方では、細胞培養からサンプルを抽出し、さまざまな成長強化培地に接種するために、訓練を受けたオペレーターが必要です。 UV 吸収分光法のワークフローは比較的単純で、成長強化培地への追加の接種も、追加のインキュベーション時間やサンプル準備も必要ありません。そのため、観察される成長強化接種ステップに必要な追加のリソースとコストが排除されます。
提案された機械学習支援型UV吸収分光法が他の微生物にも適用できるかどうかを判断するために、研究者らはドナーAのPBS滅菌サンプルを使用し、検出限界（LoD）が10 CFUという低さで、ブドウ球菌（S. aureus）、緑膿菌（P. paraeruginosa）、枯草菌（B. spizizenii）、ウェルシュ菌（C. sporogenes）、カンジダ・アルビカンス（C. albicans）、大腸菌K-12（E. coli）、およびプロピオニバクテリウム・アクネス（C. acnes）などの酵母など、他の成長の遅い微生物の検出にこの方法を適用しました。さらに、この研究では主成分分析（PCA）を通じてSVMモデルの性能を視覚化し、緑膿菌を接種したサンプルがPCAプロットでPBS滅菌サンプルと明確に区別され、モデルがスペクトル特性の違いを効果的に捉えられることを示しました。
モデルの堅牢性研究に関しては、ドナー間の違いがモデルのパフォーマンスに影響を与える可能性があることを考慮し、研究者は 6 人の市販ドナー (ドナー BG) から廃棄培養培地サンプルを収集し、PBS 滅菌サンプルを準備しました。異なるドナーに基づいて SVM モデルをトレーニングし、他のドナーのサンプルに対する予測精度を評価したところ、ドナー A と B のモデルの平均予測率が高かったことがわかりました。そのため、本研究では、ドナー A と B に基づいてトレーニングされた SVM モデルを、その後、他の 6 人のドナーのサンプルに適用しました。結果は、機械学習支援 UV 吸収分光法が 92.7% の真陽性率を達成し、検査した 7 つの微生物の検出限界 (LoD) が一貫して 10 CFU のままであることを示しました。しかし、モデルの真陰性率は 77.7% であり、偽陽性サンプルは主にドナー F からのものでした。分析の結果、ドナー F のサンプルの NA レベルの方が高かったことが判明し、ドナー間の違いに対する適応性を向上させるために、今後モデルをさらに最適化する必要があることが示唆されました。
AI4Sが細胞療法を強化：科学研究、産業、政策の相乗効果による前進
近年、科学研究からビジネス界まで、研究室から産業化まで、細胞治療製品（CTP）は大きな成功を収めています。
基礎研究分野では、中国上海の同済大学のTJ-AI4Sチームが、グローバルAI医薬品開発アルゴリズムコンペティションで優勝しました。彼らが提案した分子特徴拡張戦略は、モデルの一般化能力を改善し、CTP 汚染物質分子指紋ライブラリの構築に新たなアイデアを提供しました。中国の北京郵電大学と北京大学によって開発された UniBind フレームワークは、マルチスケール グラフ ニューラル ネットワークを通じてタンパク質の相互作用を解析し、CTP におけるサイトカインと微生物代謝物の動的な関連性を研究するための計算基盤を提供します。
論文リンク: https://www.nature.com/articles/s41591-023-02483-5
さらに、中国の上海理工大学のチームは、CAR分子の電荷分布を最適化するAIアルゴリズムを使用するCAR-Tonerプラットフォームを開発し、細胞増殖効率の向上とバッチ間の差異の低減に成功しました。この革新は生産効率を向上させるだけでなく、CTP の標準化された生産に新たな技術的サポートを提供します。
論文リンク: https://www.nature.com/articles/s41422-024-00936-1
業界にも良いニュースが届いている。中国バイオテクノロジー企業・復星凱瑞のCAR-T医薬品「易科達」は、2025年に中国で初の越境供給を実現した。その背景には、超低温輸送中の細胞の活性を確保するAI駆動型コールドチェーン物流管理システムがある。さらに、米国のバイオテクノロジー企業A2 Bioは、ユニバーサルドナー細胞のAIスクリーニングを通じてCAR-T医薬品の大規模な試作を実現し、生産コストを大幅に削減し、治療の待機期間を短縮し、患者にさらなる希望をもたらしました。
海外の研究機関もAIを活用した細胞治療の分野で実りある成果を上げている。 2025年、米国デューク大学の生物医学工学チームは、ESM-2タンパク質言語モデルに基づいて機能的な短いペプチドを設計するPepPrCLIP技術を開発し、精密がん治療の新たな戦略を提供しました。 IBM Watson Healthが米国スタンフォード大学と共同で構築したAI予測モデルは、患者のゲノム、プロテオーム、多次元臨床データを統合することで、CAR-T療法におけるサイトカイン放出症候群（CRS）の予測精度を89%まで向上させ、高リスク患者への事前の臨床介入を支援した。これらは、世界の細胞治療分野の発展に新たな活力をもたらしました。
現在、AI4SはCTP分野において基礎研究から臨床応用までの完全なチェーンを構築していますが、データの標準化や機関間の連携メカニズムなどの面ではまださらなる改善が必要です。今後、政策支援の強化と産業界、学界、研究界の緊密な統合により、AI4S は CTP の個別準備、リアルタイムの品質追跡、国境を越えた物流の最適化などの分野で大きな進歩を遂げると期待されています。
参考記事：
- https://mp.weixin.qq.com/s/VZI7pm-kO7CxNJyrn9-qQw
- https://mp.weixin.qq.com/s/0AoP5XSLOLzcTChQoIIfmw
- https://mp.weixin.qq.com/s/Avu5SbLetCFBVUwnDybfsw
- https://mp.weixin.qq.com/s/WoruStfCdYNDskAn_iFYtQ
- https://www.nsfc.gov.cn/publish/portal0/tab1128/info90687.htm