培養条件を探すAIで実験回数を最大73%削減、医薬原料の収量も高めた実証

スケールアップ後に成り立つ条件を、ラボ段階の探索にあらかじめ織り込んだ点が、この取り組みの設計上の要と考えられます。実験室で最も収量が出る条件を突き止めてから大型の槽へ移すのが通常の流れですが、ここでは大きな槽で成立するかどうかを、条件設定の段階から制約として持ち込んでいます。ラボの最適解を後から作り直すのではなく、最初から移し替えられる形で探す。順序を入れ替えただけに見えて、実際には何をもって最適とするかの基準を書き換える判断です。

11の変数を人が事前に絞り込まず、同時に扱わせた探索の設計も効いています。従来の実験計画法（DoE）は、複数の要因の影響を統計的に調べる手法ですが、変数が増えるほど必要な試行数が跳ね上がるため、現場では経験に基づいて効きそうな変数を先に選び、残りを固定する運用に傾きがちです。温度やpH、通気量といった運転側の7項目と、リン酸・マグネシウム塩といった培地側の4項目を切り分けたうえで同時に動かす設計は、その事前の絞り込みで視野から外れていた組み合わせを探索範囲に残します。

条件探索はAI、槽の中で起きる物理現象は別の技術という役割分担も見逃せません。膨大な条件空間を高速に探るのはAIが担い、培養槽内の流動状態や酸素供給、せん断力の分布といった規模に依存する物理は、シミュレーションで可視化・定量化して運転条件や槽の設計に反映させる。そこにファーメランタによる細胞そのものの作り込みが加わることで、細胞・条件・物理環境という性質の異なる3つの層を、それぞれ得意な手段で扱う構図が成り立っています。