知財求人 - 知財ポータルサイト「IP Force」
▶ シージェイ チェイルジェダン コーポレーションの特許一覧 ▶ ソウル大学校産学協力団の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-10-05
(45)【発行日】2023-10-16
(54)【発明の名称】生物反応器の運転条件を決定する装置及び方法
(51)【国際特許分類】
C12M 1/36 20060101AFI20231006BHJP
C12N 1/00 20060101ALI20231006BHJP
C12P 1/00 20060101ALN20231006BHJP
【ＦＩ】
C12M1/36
C12N1/00 B
C12P1/00
【請求項の数】
21
(21)【出願番号】P 2021547294
(86)(22)【出願日】2020-01-14
(65)【公表番号】
(43)【公表日】2022-04-12
(86)【国際出願番号】 KR2020000656
(87)【国際公開番号】W WO2020166831
(87)【国際公開日】2020-08-20
【審査請求日】2021-08-26
(31)【優先権主張番号】10-2019-0017574
(32)【優先日】2019-02-15
(33)【優先権主張国・地域又は機関】KR
【前置審査】
(73)【特許権者】
【識別番号】513178894
【氏名又は名称】シージェイ チェイルジェダン コーポレーション
(73)【特許権者】
【識別番号】509329800
【氏名又は名称】ソウル大学校産学協力団
【氏名又は名称原語表記】ＳＥＯＵＬ ＮＡＴＩＯＮＡＬ ＵＮＩＶＥＲＳＩＴＹ Ｒ＆ＤＢ ＦＯＵＮＤＡＴＩＯＮ
(74)【代理人】
【識別番号】110002343
【氏名又は名称】弁理士法人 東和国際特許事務所
(72)【発明者】
【氏名】キム、デシク
(72)【発明者】
【氏名】バン、ソンウン
(72)【発明者】
【氏名】シン、ジョンファン
(72)【発明者】
【氏名】キム、イルチュル
(72)【発明者】
【氏名】パク、ソンミ
(72)【発明者】
【氏名】リ、ジョンミン
(72)【発明者】
【氏名】ベ、ゼハン
(72)【発明者】
【氏名】リ、ヘジ
(72)【発明者】
【氏名】キム、ジョンフン
【審査官】福澤 洋光
(56)【参考文献】
【文献】国際公開第２００９／１４８９６２（ＷＯ，Ａ１）
【文献】国際公開第２００６／０６６００２（ＷＯ，Ａ２）
【文献】米国特許出願公開第２０１２／０１０７９２１（ＵＳ，Ａ１）
【文献】特表２００９－５０９７５６（ＪＰ，Ａ）
【文献】特表２００８－５２６２０３（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｃ１２Ｍ １／００－ ３／１０
Ｃ１２Ｎ １／００－１５／９０
Ｃ１２Ｐ １／００－４１／００
ＣＡｐｌｕｓ／ＭＥＤＬＩＮＥ／ＥＭＢＡＳＥ／ＢＩＯＳＩＳ（ＳＴＮ）
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
ＰｕｂＭｅｄ
(57)【特許請求の範囲】
【請求項1】
ｎ（ｎは自然数）個の実験データセットの入力を受ける段階、前記ｎ個の実験データセットを用いて生物反応器をモデリングして生物反応器モデルを構築する段階、前記生物反応器の全体運転時間を複数の区間に分ける段階、前記生物反応器モデルを用いて各区間別の養分供給速度、温度、ｐＨのうち少なくとも１つによる状態変数の変化を計算する段階、及び、前記状態変数の変化計算の結果に基づいて前記生物反応器の運転方式に応じた最適の運転条件を決定する段階を含み、
前記生物反応器の全体運転時間を複数の区間に分ける段階が、
養分供給速度の変更回数を選択する段階、養分供給開始時間を計算する段階、及び、前 記養分供給開始時間から前記生物反応器の運転終了時間までを前記養分供給速度の変更回 数に基づいて前記複数の区間に分ける段階を含むことを特徴とする生物反応器の運転条件決定方法。
【請求項12】
前記最適の養分供給速度を決定する段階は、前記運転方式がＭＢＯ方式の場合、反応器体積が最大の体積に到達する時点を計算する段階、前記計算された時点で前記反応器体積を、前記反応器体積から生物反応器から排出される生産物の体積であるＭＢＯ体積（ＶＭ
ＢＯ）を差し引いた体積とし、前記反応器体積が最大の体積に到達した区間の開始地点から前記計算された時点までの状態変数の変化計算の結果を記憶する段階、及び、前記構築された生物反応器モデルを用いて前記計算された時点から前記反応器体積が最大の体積に到達した区間の終了地点までの状態変数の変化を計算して記憶する段階を含むことを特徴とする、請求項１１に記載の生物反応器の運転条件決定方法。【請求項13】
メモリ及び前記メモリに連結されるプロセッサを含み、前記プロセッサは、ｎ（ｎは自然数）個の実験データセットの入力を受け、前記ｎ個の実験データセットを用いて生物反応器をモデリングして生物反応器モデルを構築し、養分 供給速度の変更回数を選択し、養分供給開始時間を計算した後、前記養分供給開始時間か ら前記生物反応器の運転終了時間までを前記養分供給速度の変更回数に基づいて複数の区 間に分け、構築された生物反応器モデルを用いて各区間別の養分供給速度、温度、ｐＨのうち少なくとも１つによる状態変数の変化を計算し、前記状態変数の変化計算の結果に基づいて前記生物反応器の運転方式に応じた最適の運転条件を決定することを特徴とする、生物反応器の運転条件決定装置。
【請求項21】
前記プロセッサは、前記運転方式がＭＢＯ方式の場合、反応器体積が最大の体積に到達する時点を計算して、前記計算された時点で前記反応器体積を前記反応器体積から生物反応器から排出される生産物の体積であるＭＢＯ体積（ＶＭＢＯ）を差し引いた体積とし、前記反応器体積が最大の体積に到達した区間の開始地点から前記計算された時点までの状態変数の変化計算の結果を記憶し、前記構築された生物反応器モデルを用いて前記計算された時点から前記反応器体積が最大の体積に到達した区間の終了地点までの状態変数の変化を計算して記憶することを特徴とする、請求項１５に記載の生物反応器の運転条件決定装置。【発明の詳細な説明】
【技術分野】
【0001】
本発明は、生物反応器の運転条件を決定する装置及び方法に関する。
【背景技術】
【0002】
微生物（バクテリア）基盤の発酵工程からエネルギー燃料、栄養素、石油由来の有機化合物などを生産する方法に対する重要性が、全世界的に増加している。
例えば、Ｌ－アミノ酸は、タンパク質の基本構成単位であって、微生物からこれを産業的に生産する多様な方法が研究されている。
高効率でＬ－アミノ酸のような産物を生産する微生物を開発するために多様な研究が行われているが（韓国登録特許公報第１０－０９２４０６５号、第１２０８４８０号）、産業的規模の微生物の発酵工程、特に、一貫性ある発酵結果を得るための工程に対する研究は不足している実情である。
例えば、Ｌ－アミノ酸は、タンパク質の基本構成単位であって、微生物からこれを産業的に生産する多様な方法が研究されている。
高効率でＬ－アミノ酸のような産物を生産する微生物を開発するために多様な研究が行われているが（韓国登録特許公報第１０－０９２４０６５号、第１２０８４８０号）、産業的規模の微生物の発酵工程、特に、一貫性ある発酵結果を得るための工程に対する研究は不足している実情である。
【0003】
このような商用微生物の発酵工程又は生物反応工程は、生産者の経験と過去の運転結果に依存して運転されている。
この場合には、実際に現在の運転戦略が最適であるか否かを判断することができないため、現在の工程に用いられる菌株の最大性能を引き出すことができない。
この場合には、実際に現在の運転戦略が最適であるか否かを判断することができないため、現在の工程に用いられる菌株の最大性能を引き出すことができない。
【0004】
また、運転戦略を変化させた際の生産量に及ぶ影響を予測することができないので、市場の動きによる生産目標変化を実際の工程に迅速に適用しにくい。
【0005】
従来には、菌株の挙動自体を数学的にモデリングしてきたが、特定の菌株に対してのみモデリングした結果は、当該菌株の挙動は正確に模写するが、遺伝子の改良を介して性能を改善した菌株に対する予測力は劣らざるを得ない。
【0006】
このような背景下で、本発明者らは、微生物の発酵工程において、目標とした結果を得るための最適の運転条件を確立しようと鋭意研究した結果、生物反応器モデルを構築して最適の運転条件を導出し、本発明を完成した。
【発明の概要】
【発明が解決しようとする課題】
【0007】
本発明は、実際の工程データを基盤に生物反応器をモデリングし、これを介して構築された生物反応器モデルを用いて生物反応器の最適の運転条件を導出する生物反応器の運転条件決定装置及び方法を提供する。
【課題を解決するための手段】
【0008】
前記課題を解決するため、本発明の一実施形態に係る生物反応器の運転条件決定方法は、ｎ（ｎは自然数）個の実験データセットの入力を受ける段階、前記ｎ個の実験データセットを用いて生物反応器をモデリングして生物反応器モデルを構築する段階、前記生物反応器の全体運転時間を複数の区間に分ける段階、前記生物反応器モデルを用いて各区間別の養分供給速度、温度、ｐＨのうち少なくとも１つによる状態変数の変化を計算する段階、及び、前記状態変数の変化計算の結果に基づいて前記生物反応器の運転方式に応じた最適の運転条件を決定する段階を含み、前記生物反応器の全体運転時間を複数の区間に分け
る段階が、養分供給速度の変更回数を選択する段階、養分供給開始時間を計算する段階、
及び、前記養分供給開始時間から前記生物反応器の運転終了時間までを前記養分供給速度
の変更回数に基づいて前記複数の区間に分ける段階を含む。
【0009】
前記実験データセットは、既運転された工程の状態変数及び運転条件を含むことを特徴とする。
【0010】
前記生物反応器モデルを構築する段階は、前記ｎ個の実験データセットのうち何れか１つの実験データセットを検証データセット（ｖａｌｉｄａｔｉｏｎ ｄａｔａ ｓｅｔ）とし、残りのｎ－１個の実験データセット又はこの一部をトレーニングデータセット（ｔｒａｉｎｉｎｇ ｄａｔａ ｓｅｔ）としてパラメータセットを推定する段階、前記トレーニングデータセットにより推定されたパラメータセットを用いて候補生物反応器モデルを生成する段階、前記検証データセットを用いて前記生成された候補生物反応器モデルの模写性能を検証する段階、及び、前記模写性能検証の結果に基づいて前記生成された候補生物反応器モデルのうち何れか１つの候補生物反応器モデルの最終生物反応器モデルを選定する段階を含むことを特徴とする。
【0011】
前記候補生物反応器モデルの模写性能を検証する段階は、前記候補生物反応器モデルの予測値と前記検証データセットの測定値を比較して有効性検査の誤謬を計算することを特徴とする。
【0012】
前記最終生物反応器モデルを選定する段階は、前記有効性検査の誤謬が最も小さい候補生物反応器モデルを前記最終生物反応器モデルに選定することを特徴とする。
【0013】
前記候補生物反応器モデルの模写性能を検証する段階は、前記ｎ個の実験データセットのうちトレーニングデータセット及び検証データセットを変更しながら繰り返し行うことを特徴とする。
【0014】
前記最適の運転条件を決定する段階は、前記生物反応器の全体運転時間を複数の区間に分ける段階、前記構築された生物反応器モデルを用いて各区間別の養分供給速度による状態変数の変化を計算する段階、及び、前記状態変数の変化計算の結果に基づいて前記生物反応器の運転方式に応じて目的関数を最小化する最適の養分供給速度を決定する段階を含むことを特徴とする。
【0015】
前記生物反応器の全体運転時間を複数の区間に分ける段階は、前記複数の区間が分けられる時点を計算する段階をさらに含むことを特徴とする。
【0016】
前記目的関数は、収率及び生産性のうち何れか１つに選択されることを特徴とする。
【0017】
前記運転方式は、ＣＢＯ（Ｃｏｎｔｉｎｕｏｕｓ Ｂｒｏｔｈ Ｏｕｔｐｕｔ）又はＭＢＯ（Ｍｉｄｄｌｅ Ｂｒｏｔｈ Ｏｕｔｐｕｔ）を含むことを特徴とする。
【0018】
前記最適の供給速度を決定する段階は、前記運転方式がＭＢＯ方式である場合、反応器体積が最大の体積に到達する時点を計算する段階、前記計算された時点で前記反応器体積を前記反応器体積から生物反応器から排出される生産物の体積であるＭＢＯ体積(ＶＭＢＯ)を差し引いた体積とし、前記反応器体積が最大の体積に到達した区間の開始地点から前記計算された時点までの状態変数の変化計算の結果を記憶する段階、及び、前記構築された生物反応器モデルを用いて前記計算された時点から前記反応器体積が最大の体積に到達した区間の終了地点までの状態変数の変化を計算して記憶する段階を含むことを特徴とする。
【0019】
一方、本発明の一実施形態に係る生物反応器の運転条件決定装置は、メモリ、及び前記メモリに連結されるプロセッサを含み、前記プロセッサが、ｎ（ｎは自然数）個の実験データセットの入力を受け、前記ｎ個の実験データセットを用いて生物反応器をモデリングして生物反応器モデルを構築し、養分供給速度の変更回数を選択し、養分供給開始時間を
計算した後、前記養分供給開始時間から前記生物反応器の運転終了時間までを前記養分供
給速度の変更回数に基づいて前記複数の区間に分け、構築された生物反応器モデルを用いて各区間別の養分供給速度、温度、ｐＨのうち少なくとも１つによる状態変数の変化を計算し、前記状態変数の変化計算の結果に基づいて前記生物反応器の運転方式に応じた最適の運転条件を決定することを特徴とする。
【0020】
前記実験データセットは、既運転された工程の状態変数及び運転条件を含み、前記状態変数は、細胞濃度、養分濃度、反応器体積及び生産物濃度のうち少なくとも何れか１つを含み、前記運転条件は、養分供給速度（ｆｅｅｄ ｒａｔｅ）、温度、ｐＨ及び運転方式のうち少なくとも何れか１つを含むことを特徴とする。
【0021】
前記プロセッサは、前記ｎ個の実験データセットのうち何れか１つの実験データセットを検証データセットとし、残りのｎ－１個の実験データセット又はこの一部をトレーニングデータセットとして用いてパラメータセットを推定し、前記推定されたパラメータセットを用いて候補生物反応器モデルを生成し、前記検証データセットを用いて前記候補生物反応器モデルの模写性能を検証し、前記模写性能検証の結果に基づいて最終生物反応器モデルを選定することを特徴とする。
【0022】
前記プロセッサは、前記候補生物反応器モデルの予測値と前記検証データセットの測定値を比較して有効性検査の誤謬を計算することを特徴とする。
【0023】
前記プロセッサは、前記候補生物反応器モデルのうち前記有効性検査の誤謬が最も小さい候補生物反応器モデルを最終生物反応器モデルとして選択することを特徴とする。
【0024】
前記プロセッサは、前記ｎ個の実験データセットのうちトレーニングデータセット及び検証データセットを変更しながら前記候補生物反応器モデルの模写性能検証を繰り返し行うことを特徴とする。
【0025】
前記プロセッサは、前記生物反応器の全体運転時間を複数の区間に分け、前記構築された生物反応器モデルを用いて各区間別の養分供給速度による状態変数の変化を計算し、前記状態変数の変化計算の結果に基づいて前記生物反応器の運転方式に応じて計算された状態変数の変化に目的関数を最小化する最適の供給速度を算出する段階を含むことを特徴とする。
【0026】
前記プロセッサは、前記複数の区間が分けられる時点を計算することを特徴とする。
【0027】
前記プロセッサは、前記運転方式がＭＢＯ方式である場合、反応器体積が最大の体積に到達する時点を計算し、前記計算された時点で前記反応器体積を前記反応器体積から生物反応器から排出される生産物の体積であるＭＢＯ体積（ＶＭＢＯ）を差し引いた体積とし、前記反応器体積が最大の体積に到達した区間の開始地点から前記計算された時点までの状態変数の変化計算の結果を記憶し、前記構築された生物反応器モデルを用いて前記計算された時点から前記反応器体積が最大の体積に到達した区間の終了地点までの状態変数の変化を計算して記憶することを特徴とする。
【発明の効果】
【0028】
本発明の実施形態によると、実際の工程データを基盤に生物反応器をモデリングし、これを介して構築された生物反応器モデルを用いて生物反応器の挙動を予測することができ、生物反応器の最適の運転条件を導出することができる。
【0029】
また、本発明の実施形態によると、実際の工程データを基盤にモデリングを行うので遺伝的に修正された菌株を用いる生物反応器にも適用することができ、実際の工程データを直接用いてモデリングを行うため規模拡大（ｓｃａｌｅ－ｕｐ）に対して追加で悩まなくてもよいという長所がある。
【0030】
また、本発明の実施形態によると、実際の工程データを基盤に使用者が指定した目的関数を最小化する方向になされるため、アミノ酸の市場状況によってそれぞれ異なる運転目的に従いながらも、当該時点で用いられている菌株の性能を最大限発揮することができる運転戦略を導き出すことができる。
【図面の簡単な説明】
【0031】
【図1】本発明の一実施形態に係る生物反応器の運転条件決定装置の構成を示した図である。
【図2】本発明に係る実際の工程データと生物反応器モデルにより予測された工程指標の挙動を示したグラフである。
【図3】本発明の一実施形態に係る生物反応器の運転条件決定方法を示したフローチャートである。
【図6】本発明により生物反応器を運転した時の工程指標の変化を示したグラフである。
【発明を実施するための形態】
【0032】
以下、本発明の一部の実施形態を例示的な図面を介して詳細に説明する。
各図面の構成要素に参照符号を付けるに際し、同じ構成要素に対しては、別の図面上に示されているとしてもできるだけ同じ符号を有するようにしていることに留意すべきである。
また、本発明の実施形態を説明するに際し、関連する公知の構成又は機能に対する具体的な説明が、本発明の実施形態に対する理解を妨げると判断される場合には、その詳細な説明は省略する。
各図面の構成要素に参照符号を付けるに際し、同じ構成要素に対しては、別の図面上に示されているとしてもできるだけ同じ符号を有するようにしていることに留意すべきである。
また、本発明の実施形態を説明するに際し、関連する公知の構成又は機能に対する具体的な説明が、本発明の実施形態に対する理解を妨げると判断される場合には、その詳細な説明は省略する。
【0033】
本発明の実施形態の構成要素について説明するに際し、第１、第２、Ａ、Ｂ、（ａ）、（ｂ）などの用語を使用することができる。
かかる用語は、その構成要素を他の構成要素と区別するためのものに過ぎず、その用語により当該構成要素の本質や手順又は順番などが限定されない。
また、別に定義されない限り、技術的又は科学的な用語をはじめ、ここで使用される全ての用語は、本発明が属する技術分野において通常の知識を有する者が一般的に理解しているものと同じ意味を有する。
一般的に使用される辞書に定義されているような用語は、関連技術の文脈上有する意味と一致する意味を有すると解釈すべきであり、本出願において明白に定義されていない限り、理想的又は過剰に形式的な意味に解釈されない。
かかる用語は、その構成要素を他の構成要素と区別するためのものに過ぎず、その用語により当該構成要素の本質や手順又は順番などが限定されない。
また、別に定義されない限り、技術的又は科学的な用語をはじめ、ここで使用される全ての用語は、本発明が属する技術分野において通常の知識を有する者が一般的に理解しているものと同じ意味を有する。
一般的に使用される辞書に定義されているような用語は、関連技術の文脈上有する意味と一致する意味を有すると解釈すべきであり、本出願において明白に定義されていない限り、理想的又は過剰に形式的な意味に解釈されない。
【0034】
本発明は、生物反応器（ｂｉｏｒｅａｃｔｏｒ）を用いた実際の工程データを基盤に生物反応器をモデリングし、当該モデルを用いて生物反応器の最適の運転条件を導出する技術に関する。
【0035】
例えば、本発明の実施形態は、リシン（Ｌｙｓｉｎｅ）を生産するのに用いられる生物反応器を、既運転された工程の状態変数及び運転条件（運転戦略）を含む実際の工程データを基盤にコリネバクテリウム属（ｔｈｅ ｇｅｎｕｓ Ｃｏｒｙｎｅｂａｃｔｅｒｉｕｍ）菌株の挙動特性を反映した形態にモデリングし、当該生物反応器モデルを用いて動的最適化技法で多様な運転戦略をシミュレーションして使用者が定めた目的関数を最小化する最適の運転戦略を決定するアルゴリズムを提示する。これを介して生産性又は収穫量などの工程性能指標をその目的により最大化することができる。
【0036】
図１は、本発明の一実施形態に係る生物反応器の運転条件決定装置の構成を示した図であり、図２は、本発明に係わる実際の工程データと生物反応器モデルにより予測された工程指標の挙動を示したグラフである。
本発明による生物反応器の運転条件決定装置は、コンピュータ装置により具現されてよい。
本発明による生物反応器の運転条件決定装置は、コンピュータ装置により具現されてよい。
【0037】
図１を参照すると、生物反応器の運転条件決定装置は、メモリ１１０、入力装置１２０、出力装置１３０、ストレージ１４０、ネットワークインタフェース１５０及びプロセッサ１６０を含む。
【0038】
メモリ１１０は、プロセッサ１６０の動作のためのプログラムを記憶することができ、入力されるデータ及び出力されるデータを臨時記憶することもできる。
【0039】
また、メモリ１１０は、生物反応器のモデルを構築するアルゴリズム及び生物反応器の最適の運転戦略を最適化するアルゴリズムなどを記憶することができる。
メモリ１１０は、既運転された工程の状態変数及び運転条件を含む実際の工程データ、すなわち、実験データセットを記憶することもできる。
メモリ１１０は、既運転された工程の状態変数及び運転条件を含む実際の工程データ、すなわち、実験データセットを記憶することもできる。
【0040】
このようなメモリ１１０は、フラッシュメモリ、ハードディスク、ＳＤカード、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、レジスター及び着脱型ディスクなどの記憶媒体のうち少なくとも１つ以上の記憶媒体（記録媒体）に具現されてよい。
【0041】
入力装置１２０は、データを入力するための装置である。
入力装置１２０は、キーパッド、キーボード、ドームスイッチ、タッチパッド及びタッチスクリーンなどの入力装置のうち少なくとも１つ以上に具現されてよい。
また、入力装置１２０は、バーコード読み取り機及び磁気インク文字読み取り機などに具現されてもよい。
入力装置１２０は、キーパッド、キーボード、ドームスイッチ、タッチパッド及びタッチスクリーンなどの入力装置のうち少なくとも１つ以上に具現されてよい。
また、入力装置１２０は、バーコード読み取り機及び磁気インク文字読み取り機などに具現されてもよい。
【0042】
出力装置１３０は、プロセッサ１６０の動作による各種情報又はデータを視覚情報及び／又は聴覚情報などの形態に出力する。
出力装置１３０は、液晶ディスプレイ（ＬＣＤ）、薄膜トランジスター液晶ディスプレイ（ｔｈｉｎ ｆｉｌｍ ｔｒａｎｓｉｓｔｏｒ－ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ、ＴＦＴ ＬＣＤ）、有機発光ダイオード（ＯＬＥＤ）ディスプレイ、フレキシブルディスプレイ、３次元ディスプレイ及び／又は透明ディスプレイなどの表示装置及び／又はレシーバー、スピーカー及び／又はブザーなどのオーディオ出力装置などを含むことができる。
出力装置１３０は、液晶ディスプレイ（ＬＣＤ）、薄膜トランジスター液晶ディスプレイ（ｔｈｉｎ ｆｉｌｍ ｔｒａｎｓｉｓｔｏｒ－ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ、ＴＦＴ ＬＣＤ）、有機発光ダイオード（ＯＬＥＤ）ディスプレイ、フレキシブルディスプレイ、３次元ディスプレイ及び／又は透明ディスプレイなどの表示装置及び／又はレシーバー、スピーカー及び／又はブザーなどのオーディオ出力装置などを含むことができる。
【0043】
ストレージ１４０は、メモリ１１０のように多様な種類の記憶媒体を含むことができる。
ストレージ１４０は、インターネット上でメモリ１１０の記憶機能を行うウェブストレージに具現されてもよい。
ストレージ１４０は、インターネット上でメモリ１１０の記憶機能を行うウェブストレージに具現されてもよい。
【0044】
ストレージ１４０は、実験データを記憶することもできる。
【0045】
ネットワークインタフェース１５０は、ネットワークを介して他の端末機と有無線通信を行うことができるようにする。
ネットワークインタフェース１５０は、無線インターネット、移動通信、及び近距離通信などの通信技術のうち何れか１つ以上を用いることができる。
無線インターネット技術としては、ＷＬＡＮ（Ｗｉｒｅｌｅｓｓ ＬＡＮ）（ＷｉＦｉ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ ｂｒｏａｄｂａｎｄ）及び／又はＷｉｍａｘ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）などが用いられてよい。
近距離通信技術としては、ブルートゥース、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＲＦＩＤ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、赤外線通信（ＩｒＤＡ、ｉｎｆｒａｒｅｄ Ｄａｔａ Ａｓｓｏｃｉａｔｉｏｎ）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅｂａｎｄ）及び／又はジグビー（ＺｉｇＢｅｅ）などが用いられてよい。
移動通信技術としては、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）及び／又は ＬＴＥ－Ａｄｖａｎｃｅｄなどが用いられてよい。
ネットワークインタフェース１５０は、無線インターネット、移動通信、及び近距離通信などの通信技術のうち何れか１つ以上を用いることができる。
無線インターネット技術としては、ＷＬＡＮ（Ｗｉｒｅｌｅｓｓ ＬＡＮ）（ＷｉＦｉ）、Ｗｉｂｒｏ（Ｗｉｒｅｌｅｓｓ ｂｒｏａｄｂａｎｄ）及び／又はＷｉｍａｘ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）などが用いられてよい。
近距離通信技術としては、ブルートゥース、ＮＦＣ（Ｎｅａｒ Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＲＦＩＤ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、赤外線通信（ＩｒＤＡ、ｉｎｆｒａｒｅｄ Ｄａｔａ Ａｓｓｏｃｉａｔｉｏｎ）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅｂａｎｄ）及び／又はジグビー（ＺｉｇＢｅｅ）などが用いられてよい。
移動通信技術としては、ＣＤＭＡ（Ｃｏｄｅ Ｄｉｖｉｓｉｏｎ Ｍｕｌｔｉｐｌｅ Ａｃｃｅｓｓ）、ＧＳＭ（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）及び／又は ＬＴＥ－Ａｄｖａｎｃｅｄなどが用いられてよい。
【0046】
プロセッサ１６０は、メモリ１１０に記憶されたプログラム及び／又はアルゴリズムを行う。
プロセッサ１６０は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、ＣＰＵ、マイクロコントローラー及びマイクロプロセッサのうち少なくとも１つ以上に具現されてよい。
プロセッサ１６０は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅｓ）、ＦＰＧＡｓ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙｓ）、ＣＰＵ、マイクロコントローラー及びマイクロプロセッサのうち少なくとも１つ以上に具現されてよい。
【0047】
プロセッサ１６０は、生物反応器の実際の工程データを用いた生物反応器の数学的モデリングを介して生物反応器モデルを生成（構築）する。
プロセッサ１６０は、生成された生物反応器モデルを用いて使用者が望む工程性能に到達するための生物反応器の最適の運転条件（又は最適の運転戦略）を決定する。
プロセッサ１６０は、生成された生物反応器モデルを用いて使用者が望む工程性能に到達するための生物反応器の最適の運転条件（又は最適の運転戦略）を決定する。
【0048】
以下では、生物反応器モデルを構築する過程を具体的に説明する。
生物反応器モデルを構築する過程は、大きく生物反応器を数式で定義する過程と、数式に含まれているパラメータセットを推定する過程とを含むことができる。
生物反応器モデルを構築する過程は、大きく生物反応器を数式で定義する過程と、数式に含まれているパラメータセットを推定する過程とを含むことができる。
【0049】
生物反応器は、下記［数式１］～［数式４］のような物質収支式（ｍｏｌｅ ｂａｌａｎｃｅ ｅｑｕａｔｉｏｎ）で示すことができる。
【0050】
【数1】
【0051】
【数2】
【0052】
【数3】
【0053】
【数4】
【0054】
前記物質収支式に含まれているμ及びπは、［数式５］及び［数式６］のとおり示すことができる。
【0055】
【数5】
【0056】
【数6】
【0057】
養分の投入による希釈速度（ｄｉｌｕｔｉｏｎ ｒａｔｅ）Ｄは、生物反応器の運転方式に応じて下記［数式７］及び［数式８］のとおり示すことができる。
生物反応器の運転方式は、持続的に生産物を出力するＣＢＯ（Ｃｏｎｔｉｎｕｏｕｓ Ｂｒｏｔｈ Ｏｕｔ）及び運転の中間に生産物を出力するＭＢＯ（Ｍｉｄｄｌｅ Ｂｒｏｔｈ Ｏｕｔ）に区分される。
生物反応器の運転方式がＭＢＯである場合には、希釈速度Ｄを［数式７］のように示し、
生物反応器の運転方式は、持続的に生産物を出力するＣＢＯ（Ｃｏｎｔｉｎｕｏｕｓ Ｂｒｏｔｈ Ｏｕｔ）及び運転の中間に生産物を出力するＭＢＯ（Ｍｉｄｄｌｅ Ｂｒｏｔｈ Ｏｕｔ）に区分される。
生物反応器の運転方式がＭＢＯである場合には、希釈速度Ｄを［数式７］のように示し、
【0058】
【数7】
【0059】
生物反応器の運転方式がＣＢＯである場合には、希釈速度Ｄを［数式８］のように示す。
【0060】
【数8】
【0061】
前記［数式１］から［数式８］に含まれている状態変数（性能指標、工程指標）Ｘ、Ｓ、Ｖ及びＰは［表１］のとおり定義される。
【0062】
【表1】
【0063】
前記［数式１］から［数式８］に含まれているパラメータ（パラメータセット、ｐａｒａｍｅｔｅｒ ｓｅｔ）は、［表２］のとおり定義される。
【0064】
【表2】
【0065】
以上のとおり、ＭＢＯ方式で運転される生物反応器は、［数式１］から［数式７］で示し、ＣＢＯ方式で運転される生物反応器は、［数式１］から［数式６］及び［数式８］で定義することができる。
【0066】
その後、各運転方式（ＭＢＯ又はＣＢＯ）で運転される生物反応器に対応される数式に含まれているパラメータセットを推定する。
すなわち、ＭＢＯ方式で運転される生物反応器モデルを構築するためには、［数式１］から［数式７］に含まれているパラメータセットを推定する。
一方、ＣＢＯ方式で運転される生物反応器モデルを構築するためには、［数式１］から［数式６］及び［数式８］に含まれているパラメータセットを推定する。
すなわち、ＭＢＯ方式で運転される生物反応器モデルを構築するためには、［数式１］から［数式７］に含まれているパラメータセットを推定する。
一方、ＣＢＯ方式で運転される生物反応器モデルを構築するためには、［数式１］から［数式６］及び［数式８］に含まれているパラメータセットを推定する。
【0067】
ＭＢＯ方式及びＣＢＯ方式で運転される生物反応器モデルの構築のためのパラメータセットを推定する過程は、同一であり、本明細書では、ＭＢＯ方式で運転される生物反応器モデルを構築するためのパラメータセットの推定過程を代表的な例として説明する。
【0068】
先ず、プロセッサ１６０は、少なくとも２つ以上の実験データセットの入力を受ける。
ここで、各実験データセットは、実際の工程に用いられたデータであって、生物反応器を介して既運転された工程の状態変数及び運転条件を含むことができる。
前記状態変数は、細胞濃度、養分濃度、反応器体積及び生産物濃度のうち少なくとも何れか１つを含むことができ、前記運転条件は、工程を運転するのに必要な入力値を意味するものであって、養分供給速度、温度、ｐＨ、及び運転方式（ＣＢＯ又はＭＢＯ）のうち少なくとも何れか１つを含むことができる。
プロセッサ１６０は、入力装置１２０又はネットワークインタフェース１５０を介して実験データセットの入力を受けることができる。
また、プロセッサ１６０は、メモリ１１０又はストレージ１４０に記憶された実験データセットを入力データとしてアクセスすることができる。
ここで、各実験データセットは、実際の工程に用いられたデータであって、生物反応器を介して既運転された工程の状態変数及び運転条件を含むことができる。
前記状態変数は、細胞濃度、養分濃度、反応器体積及び生産物濃度のうち少なくとも何れか１つを含むことができ、前記運転条件は、工程を運転するのに必要な入力値を意味するものであって、養分供給速度、温度、ｐＨ、及び運転方式（ＣＢＯ又はＭＢＯ）のうち少なくとも何れか１つを含むことができる。
プロセッサ１６０は、入力装置１２０又はネットワークインタフェース１５０を介して実験データセットの入力を受けることができる。
また、プロセッサ１６０は、メモリ１１０又はストレージ１４０に記憶された実験データセットを入力データとしてアクセスすることができる。
【0069】
プロセッサ１６０は、ｎ個の実験データセットのうち何れか１つの実験データセットを検証データセットとし、残りのｎ－１個の実験データセット又はこの一部をトレーニングデータセットとして設定することができる。
【0070】
プロセッサ１６０は、トレーニングデータセットを用いて運転方式に応じたパラメータセットを推定することにより、細胞の特徴を反映した生物反応器モデルを完成する。
つまり、プロセッサ１６０は、運転方式がＭＢＯである場合、トレーニングデータセットを用いて前記［数式１］から［数式７］に含まれているパラメータセットを推定し、推定されたパラメータセットを［数式１］から［数式７］に代入してＭＢＯ方式で運転される生物反応器モデルを完成する。
一方、プロセッサ１６０は、運転方式がＣＢＯである場合、トレーニングデータセットを用いて前記［数式１］から［数式６］及び［数式８］に含まれているパラメータセットを推定し、推定されたパラメータセットを［数式１］から［数式６］及び［数式８］に代入することにより、ＣＢＯ方式で運転される生物反応器モデルを完成する。
つまり、プロセッサ１６０は、運転方式がＭＢＯである場合、トレーニングデータセットを用いて前記［数式１］から［数式７］に含まれているパラメータセットを推定し、推定されたパラメータセットを［数式１］から［数式７］に代入してＭＢＯ方式で運転される生物反応器モデルを完成する。
一方、プロセッサ１６０は、運転方式がＣＢＯである場合、トレーニングデータセットを用いて前記［数式１］から［数式６］及び［数式８］に含まれているパラメータセットを推定し、推定されたパラメータセットを［数式１］から［数式６］及び［数式８］に代入することにより、ＣＢＯ方式で運転される生物反応器モデルを完成する。
【0071】
より具体的に、プロセッサ１６０は、トレーニングデータセットを用いてパラメータセットＰｉ＝｛ｐ１，ｐ２，．．．，ｐ８｝の値を推定する。
ここで、パラメータセットＰｉは、［表２］に羅列されたパラメータ（Ｐｉ）の値を含む。
プロセッサ１６０は、全域最適化アルゴリズムである遺伝アルゴリズム（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ、ＧＡ）を用いてトレーニングデータセットに含まれているｎ－１個又はこの一部の実験データセットを最もよく模写するパラメータセットＰｉを推定する。
ここで、パラメータセットＰｉは、［表２］に羅列されたパラメータ（Ｐｉ）の値を含む。
プロセッサ１６０は、全域最適化アルゴリズムである遺伝アルゴリズム（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ、ＧＡ）を用いてトレーニングデータセットに含まれているｎ－１個又はこの一部の実験データセットを最もよく模写するパラメータセットＰｉを推定する。
【0072】
プロセッサ１６０は、検証データセットを用いて推定されたパラメータセットＰｉにより生成される生物反応器モデルの模写性能を検証（すなわち、有効性検査）する。
プロセッサ１６０は、推定されたパラメータセットに含まれているパラメータ値を、運転方式に応じて前記［数式１］から［数式７］又は前記［数式１］から［数式６］及び［数式８］に反映し、候補生物反応器モデルを生成する。
ここで、候補生物反応器モデルは、推定された各パラメータセットＰｉを用いて生成される生物反応器モデルに定義することができる。
プロセッサ１６０は、推定されたパラメータセットに含まれているパラメータ値を、運転方式に応じて前記［数式１］から［数式７］又は前記［数式１］から［数式６］及び［数式８］に反映し、候補生物反応器モデルを生成する。
ここで、候補生物反応器モデルは、推定された各パラメータセットＰｉを用いて生成される生物反応器モデルに定義することができる。
【0073】
プロセッサ１６０は、検証データセットを用いて生成された候補生物反応器モデルの模写性能を検証する。
すなわち、プロセッサ１６０は、サンプリングポイントで実験で測定した値（すなわち、検証データセットの測定値）と候補生物反応器モデルに予測した値（すなわち、候補生物反応器モデルの予測値）を比較し、二乗誤差和（ｓｕｍ ｏｆ ｎｏｒｍａｌｉｚｅｄ ｓｑｕａｒｅ ｅｒｒｏｒ）、すなわち、有効性検査の誤謬（ｖａｌｉｄａｔｉｏｎ ｅｒｒｏｒ）を計算し、その結果を記憶する。
ここで、サンプリングポイントは、生物反応器の生産工程で状態変数値を測定する時点として定義することができる。
例えば、図２を参照すると、プロセッサ１６０は、実験で測定された細胞濃度Ｘ、養分濃度Ｓ、反応器体積Ｖ及び生産物濃度Ｐと、生物反応器モデルにより予測された細胞濃度Ｘ、養分濃度Ｓ、反応器体積Ｖ及び生産物濃度Ｐとをそれぞれ比較し、生物反応器モデルの模写性能を確認する。
つまり、プロセッサ１６０は、実験で測定された状態変数値と生物反応器モデルにより予測された状態変数値の類似度に基づいて当該生物反応器モデルの模写性能を決定する。
すなわち、プロセッサ１６０は、サンプリングポイントで実験で測定した値（すなわち、検証データセットの測定値）と候補生物反応器モデルに予測した値（すなわち、候補生物反応器モデルの予測値）を比較し、二乗誤差和（ｓｕｍ ｏｆ ｎｏｒｍａｌｉｚｅｄ ｓｑｕａｒｅ ｅｒｒｏｒ）、すなわち、有効性検査の誤謬（ｖａｌｉｄａｔｉｏｎ ｅｒｒｏｒ）を計算し、その結果を記憶する。
ここで、サンプリングポイントは、生物反応器の生産工程で状態変数値を測定する時点として定義することができる。
例えば、図２を参照すると、プロセッサ１６０は、実験で測定された細胞濃度Ｘ、養分濃度Ｓ、反応器体積Ｖ及び生産物濃度Ｐと、生物反応器モデルにより予測された細胞濃度Ｘ、養分濃度Ｓ、反応器体積Ｖ及び生産物濃度Ｐとをそれぞれ比較し、生物反応器モデルの模写性能を確認する。
つまり、プロセッサ１６０は、実験で測定された状態変数値と生物反応器モデルにより予測された状態変数値の類似度に基づいて当該生物反応器モデルの模写性能を決定する。
【0074】
プロセッサ１６０は、ｎ個の実験データセットのうちトレーニングデータセット及び検証データセットを別に決定して有効性検査誤謬の計算を繰り返し行うことにより、幾多の組み合わせの生物反応器モデルに対する性能を検証することができる。
具体的に、プロセッサ１６０は、ｎ個の実験データセットを検証データセットとトレーニングデータセットに区分することができる全ての組み合わせで生物反応器モデリング及び交差検証（ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ）を行う。
例えば、実験データセットがＤ１、Ｄ２及びＤ３である場合、Ｄ１を検証データセットから除外し、Ｄ２及びＤ３を用いて生物反応器モデリングを行い、Ｄ１を用いて当該生物反応器モデルの模写性能を検証する。
次に、Ｄ２を検証データセットから除外し、Ｄ１及びＤ３を用いて生物反応器モデリングを行い、Ｄ２を用いて生物反応器モデルの模写性能検証を行う。
最後に、Ｄ３を検証データセットとし、Ｄ１及びＤ２を用いて生物反応器モデリングを行い、Ｄ３を用いて当該生物反応器モデルの模写性能を検証する。
具体的に、プロセッサ１６０は、ｎ個の実験データセットを検証データセットとトレーニングデータセットに区分することができる全ての組み合わせで生物反応器モデリング及び交差検証（ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ）を行う。
例えば、実験データセットがＤ１、Ｄ２及びＤ３である場合、Ｄ１を検証データセットから除外し、Ｄ２及びＤ３を用いて生物反応器モデリングを行い、Ｄ１を用いて当該生物反応器モデルの模写性能を検証する。
次に、Ｄ２を検証データセットから除外し、Ｄ１及びＤ３を用いて生物反応器モデリングを行い、Ｄ２を用いて生物反応器モデルの模写性能検証を行う。
最後に、Ｄ３を検証データセットとし、Ｄ１及びＤ２を用いて生物反応器モデリングを行い、Ｄ３を用いて当該生物反応器モデルの模写性能を検証する。
【0075】
プロセッサ１６０は、候補生物反応器モデルのうち検証データセットに対する模写性能が最も良い候補生物反応器モデルを最終生物反応器モデルとして選択する。
プロセッサ１６０は、有効性検査の誤謬を目的関数として推定されたパラメータセットのうち、有効性検査の誤謬が最も小さいパラメータセットを選択する。
本明細書において、目的関数とは、ある目的のために用いる関数として定義されてよい。
生物反応器モデルを構築する過程での目的関数は、有効性検査の誤謬を最小化するパラメータセットを選定するためのものであり、後述される最適の運転条件を決定する過程での目的関数は、収率及び生産性を最大化する最適の運転条件を求めるためのものである。
プロセッサ１６０は、有効性検査の誤謬を目的関数として推定されたパラメータセットのうち、有効性検査の誤謬が最も小さいパラメータセットを選択する。
本明細書において、目的関数とは、ある目的のために用いる関数として定義されてよい。
生物反応器モデルを構築する過程での目的関数は、有効性検査の誤謬を最小化するパラメータセットを選定するためのものであり、後述される最適の運転条件を決定する過程での目的関数は、収率及び生産性を最大化する最適の運転条件を求めるためのものである。
【0076】
次に、構築された生物反応器モデル（すなわち、選択された最終生物反応器モデル）を用いて、生物反応器の最適の運転条件を決定する方法を具体的に説明する。
ここで、最適の運転条件は、区間別養分の最適の供給速度（ｏｐｔｉｍａｌ ｆｅｅｄ ｒａｔｅ）であり得る。
例えば、生物反応器の全体運転時間を複数の区間に分け、構築された生物反応器モデルを用いて各区間別の養分供給速度による状態変数（例：細胞濃度、養分濃度、反応器体積及び生産物濃度）の変化を計算し、状態変数の変化を計算した結果に基づいて生物反応器の運転方式に応じて計算された状態変数の変化に目的関数を最小化する最適の養分供給速度（以下、最適の供給速度）を算出する。
ここで、最適の運転条件は、区間別養分の最適の供給速度（ｏｐｔｉｍａｌ ｆｅｅｄ ｒａｔｅ）であり得る。
例えば、生物反応器の全体運転時間を複数の区間に分け、構築された生物反応器モデルを用いて各区間別の養分供給速度による状態変数（例：細胞濃度、養分濃度、反応器体積及び生産物濃度）の変化を計算し、状態変数の変化を計算した結果に基づいて生物反応器の運転方式に応じて計算された状態変数の変化に目的関数を最小化する最適の養分供給速度（以下、最適の供給速度）を算出する。
【0077】
先ず、プロセッサ１６０は、使用者の入力により養分供給速度の変更回数Ｋと目的関数Ｊを選択する。
ここで、養分供給速度の変更回数Ｋは、生物反応器の全体運転時間の間に養分供給速度を変更する回数を意味し、任意に指定されてよい。
目的関数Ｊは、収率又は生産性に選択されてよい。
ここで、養分供給速度の変更回数Ｋは、生物反応器の全体運転時間の間に養分供給速度を変更する回数を意味し、任意に指定されてよい。
目的関数Ｊは、収率又は生産性に選択されてよい。
【0078】
プロセッサ１６０は、選択された養分供給速度の変更回数Ｋに基づいて生物反応器の全体運転時間をＫ＋１個の区間（ｔｉｍｅ ｅｌｅｍｅｎｔ）に分け、構築された生物反応器モデルを用いて各区間別の養分供給速度による状態変数の変化を計算する。
ここで、区間別の養分供給速度の最小及び最大は、経験的に得た既運転された工程データ（すなわち、実際の工程データ）を用いてよい。
ここで、区間別の養分供給速度の最小及び最大は、経験的に得た既運転された工程データ（すなわち、実際の工程データ）を用いてよい。
【0079】
より具体的に、プロセッサ１６０は、養分（ｆｅｅｄ）を供給しない一番目の区間で生物反応器内の養分（ｓｕｂｓｔｒａｔｅ）が全て消費される時点ｔｆｓを計算する。
プロセッサ１６０は、ｔｆｓから生物反応器の運転終了時点ｔｆまでの時間をＫ個に分ける時点ｔｋ（ｋ＝１，．．．，Ｋ＋１）を計算する。
プロセッサ１６０は、ｔｆｓから生物反応器の運転終了時点ｔｆまでの時間をＫ個に分ける時点ｔｋ（ｋ＝１，．．．，Ｋ＋１）を計算する。
【0080】
プロセッサ１６０は、Ｋ＋１個に分けられた各区間別の養分供給速度を媒介変数化し、すなわち、養分供給速度を制御入力にして構築された生物反応器モデルに入力する。
このとき、プロセッサ１６０は、制御ベクター媒介化（Ｃｏｎｔｒｏｌ Ｖｅｃｔｏｒ Ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ、ＣＶＰ）方式を用いて、区間別の最適の養分供給速度を媒介変数化する。
プロセッサ１６０は、養分供給速度を媒介変数として生物反応器モデルに反映し、状態変数の変化を計算する。
養分供給速度を媒介変数として生物反応器モデルに反映すると、常微分方程式（Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎ、ＯＤＥ）で表現される。
このとき、プロセッサ１６０は、制御ベクター媒介化（Ｃｏｎｔｒｏｌ Ｖｅｃｔｏｒ Ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ、ＣＶＰ）方式を用いて、区間別の最適の養分供給速度を媒介変数化する。
プロセッサ１６０は、養分供給速度を媒介変数として生物反応器モデルに反映し、状態変数の変化を計算する。
養分供給速度を媒介変数として生物反応器モデルに反映すると、常微分方程式（Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎ、ＯＤＥ）で表現される。
【0081】
プロセッサ１６０は、生物反応器の運転方式に応じて異なる条件での最適の供給速度を計算する。
先ず、運転方式がＭＢＯである場合、プロセッサ１６０は、流加式生物反応器（ｆｅｄ－ｂａｔｃｈ ｒｅａｃｔｏｒ）として運転する。
生物反応器の体積Ｖが最大の反応器体積Ｖｍａｘに到達すると、ＶＭＢＯ＝０．２５ＬのＭＢＯが起こるようにする条件での最適の供給速度を計算する。
ここで、ＶＭＢＯは、生物反応器から排出される生産物の体積であって、運転者により任意に設定され、Ｖｍａｘは、生物反応器により別に設定されてよい。
先ず、運転方式がＭＢＯである場合、プロセッサ１６０は、流加式生物反応器（ｆｅｄ－ｂａｔｃｈ ｒｅａｃｔｏｒ）として運転する。
生物反応器の体積Ｖが最大の反応器体積Ｖｍａｘに到達すると、ＶＭＢＯ＝０．２５ＬのＭＢＯが起こるようにする条件での最適の供給速度を計算する。
ここで、ＶＭＢＯは、生物反応器から排出される生産物の体積であって、運転者により任意に設定され、Ｖｍａｘは、生物反応器により別に設定されてよい。
【0082】
プロセッサ１６０は、計算された状態変数の変化に基づいて目的関数Ｊを最小化する生物反応器の運転条件を最適の運転条件に導出する。
すなわち、プロセッサ１６０は、収率又は生産性を最大化する生物反応器の最適の供給速度を決定する。
すなわち、プロセッサ１６０は、収率又は生産性を最大化する生物反応器の最適の供給速度を決定する。
【0083】
目的関数Ｊは、収率（ｙｉｅｌｄ）又は生産性（ｐｒｏｄｕｃｔｉｖｉｔｙ）に負数を乗じて定義される。
収率は、生物反応器の全体運転時間の間に投入された養分（ｓｕｂｓｔｒａｔｅ）の量に対する全体生産量であって、［数式９］のように示すことができる。
このとき、全体生産量は、生物反応器の運転終了時点に、生物反応器内の生産物の量と、運転途中のＭＢＯ又はＣＢＯで取り出した溶液内の生産物の量とを合わせたものである。
収率は、生物反応器の全体運転時間の間に投入された養分（ｓｕｂｓｔｒａｔｅ）の量に対する全体生産量であって、［数式９］のように示すことができる。
このとき、全体生産量は、生物反応器の運転終了時点に、生物反応器内の生産物の量と、運転途中のＭＢＯ又はＣＢＯで取り出した溶液内の生産物の量とを合わせたものである。
【0084】
【数9】
【0085】
生産性は、バッチ洗浄時間（ｂａｔｃｈ ｃｌｅａｎｉｎｇ ｔｉｍｅ）を含めて１年間生産することができる量（ｔｏｎ／ＫＬ ｙｅａｒ）であって、［数式１０］のように示すことができる。
【0086】
【数10】
【0087】
ここで、ｔｆｉｎａｌは、生物反応器の運転終了時間を意味する。
【0088】
収率の最大化を目的とする場合、[数式１１］のとおり、収率（Ｙｉｅｌｄ）に負数を乗じて目的関数ＪＹｉｅｌｄを構成する。
目的関数ＪＹｉｅｌｄは、新しい養分で運転した時に既存の運転方式と類似の生産性を示すよう、既存の運転との生産性の差を示す（Ｐｒｏｄｕｃｔｉｖｉｔｙ－Ｐｒｏｄｕｃｔｉｖｉｔｙｈｅｕｒｉｓｔｉｃ）項を含む。
また、目的関数ＪＹｉｅｌｄは、生物反応器の現実的な限界を反映するために、区間別の供給速度の変化が大きくなり過ぎないようにする（Ｉｎｐｕｔ ｃｈａｎｇｅ）項を含む。
目的関数ＪＹｉｅｌｄは、新しい養分で運転した時に既存の運転方式と類似の生産性を示すよう、既存の運転との生産性の差を示す（Ｐｒｏｄｕｃｔｉｖｉｔｙ－Ｐｒｏｄｕｃｔｉｖｉｔｙｈｅｕｒｉｓｔｉｃ）項を含む。
また、目的関数ＪＹｉｅｌｄは、生物反応器の現実的な限界を反映するために、区間別の供給速度の変化が大きくなり過ぎないようにする（Ｉｎｐｕｔ ｃｈａｎｇｅ）項を含む。
【0089】
【数11】
【0090】
生産性の最大化を目的とする場合、［数式１２］のとおり、目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙは、生産性（Ｐｒｏｄｕｃｔｉｖｉｔｙ）に負数を乗じた値を含む。
目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙは、多すぎる養分（ｓｕｂｓｔｒａｔｅ）を用いて非効率的に生産性だけ増加させる工程が最適に表れないよう、養分の消耗量を示すＳｃｏｎｓｕｍｐｔｉｏｎ項を含む。
また、目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙは、生物反応器の限界を反映した区間別の供給速度の変化を示す（Ｉｎｐｕｔ ｃｈａｎｇｅ）項を含む。
目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙは、多すぎる養分（ｓｕｂｓｔｒａｔｅ）を用いて非効率的に生産性だけ増加させる工程が最適に表れないよう、養分の消耗量を示すＳｃｏｎｓｕｍｐｔｉｏｎ項を含む。
また、目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙは、生物反応器の限界を反映した区間別の供給速度の変化を示す（Ｉｎｐｕｔ ｃｈａｎｇｅ）項を含む。
【0091】
【数12】
【0092】
各目的関数ＪＹｉｅｌｄ及び目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙにおいて、Ａ、Ｂ及びＣは、各項の加重値を相対的に表現する比例定数、すなわち、スケーリング係数（ｓｃａｌｉｎｇ ｆａｃｔｏｒ）であって、正数であってよい。
スケーリング係数Ａ、Ｂ及びＣは、各項の計算次数（ｏｒｄｅｒ ｏｆ ｍａｇｎｉｔｕｄｅ）が大きな差を示さないようにスケールを合わせる役割を担う。
ここで、スケーリング係数Ａ、Ｂ及びＣは、使用者により任意に調整されてよい。
プロセッサ１６０は、遺伝アルゴリズム（ＧＡ）を用いて目的関数ＪＹｉｅｌｄ及び目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙを最小化する養分供給速度を算出する。
スケーリング係数Ａ、Ｂ及びＣは、各項の計算次数（ｏｒｄｅｒ ｏｆ ｍａｇｎｉｔｕｄｅ）が大きな差を示さないようにスケールを合わせる役割を担う。
ここで、スケーリング係数Ａ、Ｂ及びＣは、使用者により任意に調整されてよい。
プロセッサ１６０は、遺伝アルゴリズム（ＧＡ）を用いて目的関数ＪＹｉｅｌｄ及び目的関数ＪＰｒｏｄｕｃｔｉｖｉｔｙを最小化する養分供給速度を算出する。
【0093】
一方、運転方式がＣＢＯである場合、プロセッサ１６０は、入力流量（ｉｎｐｕｔ ｆｌｏｗ ｒａｔｅ）及び出力流量（ｏｕｔｐｕｔ ｆｌｏｗ ｒａｔｅ）が同一に設定され、体積が一定の連続撹拌タンク反応器（Ｃｏｎｔｉｎｕｏｕｓ Ｓｔｉｒｒｅｄ Ｔａｎｋ Ｒｅａｃｔｏｒ、ＣＳＴＲ）条件での最適の供給速度を計算する。
プロセッサ１６０は、運転方式がＣＢＯである場合にも、生物反応器の全体運転時間をＫ＋１個の区間に分けて区間別の最適の供給速度を計算する。
プロセッサ１６０は、運転方式がＣＢＯである場合にも、生物反応器の全体運転時間をＫ＋１個の区間に分けて区間別の最適の供給速度を計算する。
【0094】
図３は、本発明の一実施形態に係る生物反応器の運転条件決定方法を示したフローチャートであり、図４は、図３に示された生物反応器モデルを構築する過程を示したフローチャートであり、図５は、図３に示されたモデルを用いて最適の運転条件を決定する過程を示したフローチャートである。
【0095】
プロセッサ１６０は、ｎ個の実験データセットの入力を受ける（Ｓ１０）。
ここで、実験データセットは、同じ菌種で実験したデータセットであって、生物反応器で既運転された工程の運転条件及び状態変数値（測定値）などを含む。
ここで、実験データセットは、同じ菌種で実験したデータセットであって、生物反応器で既運転された工程の運転条件及び状態変数値（測定値）などを含む。
【0096】
プロセッサ１６０は、実験データセットに基づいて生物反応器をモデリングして生物反応器モデルを構築（又は生成）する（Ｓ２０）。
生物反応器モデルを構築する過程は、生物反応器を数式で示す過程と、数式に含まれているパラメータセットを推定する過程とに分けられる。
Ｓ２０では、生物反応器を数式で示す過程が完了した状態であるものと仮定する。
生物反応器モデルを構築する過程は、生物反応器を数式で示す過程と、数式に含まれているパラメータセットを推定する過程とに分けられる。
Ｓ２０では、生物反応器を数式で示す過程が完了した状態であるものと仮定する。
【0097】
より具体的に、図４を参照して生物反応器モデルを構築する過程（Ｓ２０）を説明する。
プロセッサ１６０は、ｎ個の実験データセットのうち何れか１つの実験データセットを検証データセットから除外し、残りのｎ－１個の実験データセット又はこの一部をトレーニングデータセットとして用いてパラメータセットを推定する（Ｓ２０１）。
このとき、プロセッサ１６０は、遺伝アルゴリズムを用いてパラメータセットを推定する。
プロセッサ１６０は、生物反応器の運転方式がＭＢＯである場合、トレーニングデータセットに基づいて［数式１］から［数式７］に含まれているパラメータセットを推定し、運転方式がＣＢＯである場合、トレーニングデータセットを用いて［数式１］から［数式６］及び［数式８］に含まれているパラメータセットを推定する。
プロセッサ１６０は、ｎ個の実験データセットのうち何れか１つの実験データセットを検証データセットから除外し、残りのｎ－１個の実験データセット又はこの一部をトレーニングデータセットとして用いてパラメータセットを推定する（Ｓ２０１）。
このとき、プロセッサ１６０は、遺伝アルゴリズムを用いてパラメータセットを推定する。
プロセッサ１６０は、生物反応器の運転方式がＭＢＯである場合、トレーニングデータセットに基づいて［数式１］から［数式７］に含まれているパラメータセットを推定し、運転方式がＣＢＯである場合、トレーニングデータセットを用いて［数式１］から［数式６］及び［数式８］に含まれているパラメータセットを推定する。
【0098】
プロセッサ１６０は、推定されたパラメータセットを生物反応器の運転方式に対応する数式に反映し、候補生物反応器モデルを生成する（Ｓ２０２）。
すなわち、プロセッサ１６０は、推定されたパラメータセットを［数式１］から［数式７］に反映し、ＭＢＯ方式で運転される候補生物反応器モデルを完成する。
一方、プロセッサ１６０は、推定されたパラメータセットを［数式１］から［数式６］及び［数式８］に反映し、ＣＢＯ方式で運転される候補生物反応器モデルを完成する。
すなわち、プロセッサ１６０は、推定されたパラメータセットを［数式１］から［数式７］に反映し、ＭＢＯ方式で運転される候補生物反応器モデルを完成する。
一方、プロセッサ１６０は、推定されたパラメータセットを［数式１］から［数式６］及び［数式８］に反映し、ＣＢＯ方式で運転される候補生物反応器モデルを完成する。
【0099】
プロセッサ１６０は、検証データセットを用いて生成された候補生物反応器モデルの有効性検査の誤謬を演算する（Ｓ２０３）。
換言すれば、プロセッサ１６０は、検証データセットを基盤に候補生物反応器モデルの模写性能を検証する。
換言すれば、プロセッサ１６０は、検証データセットを基盤に候補生物反応器モデルの模写性能を検証する。
【0100】
プロセッサ１６０は、演算された有効性検査の誤謬を記憶する（Ｓ２０４）。
すなわち、プロセッサ１６０は、候補生物反応器モデルの有効性検査の結果（すなわち、模写性能検証の結果）を記憶する。
すなわち、プロセッサ１６０は、候補生物反応器モデルの有効性検査の結果（すなわち、模写性能検証の結果）を記憶する。
【0101】
プロセッサ１６０は、ｎ個の実験データセットで構成することができる検証データセットとトレーニングデータセットの全ての組み合わせに対する交差検証を実施したのかを確認する（Ｓ２０５）。
プロセッサ１６０は、全ての実験データセットに対する交差検証が完了するまでＳ２０１からＳ２０４を繰り返し行う。
プロセッサ１６０は、全ての実験データセットに対する交差検証が完了するまでＳ２０１からＳ２０４を繰り返し行う。
【0102】
プロセッサ１６０は、記憶された有効性検査の誤謬に基づいて最終生物反応器モデルを選択する（Ｓ２０６）。
プロセッサ１６０は、有効性検査の結果に基づいて、模写性能が最も良い候補生物反応器モデルを最終生物反応器モデルとして選定する。
換言すれば、プロセッサ１６０は、推定されたパラメータセットのうち有効性検査の誤謬が最も小さいパラメータセットを用いて生物反応器モデルを完成する。
プロセッサ１６０は、有効性検査の結果に基づいて、模写性能が最も良い候補生物反応器モデルを最終生物反応器モデルとして選定する。
換言すれば、プロセッサ１６０は、推定されたパラメータセットのうち有効性検査の誤謬が最も小さいパラメータセットを用いて生物反応器モデルを完成する。
【0103】
プロセッサ１６０は、図４に示された生物反応器モデルの構築過程を介して構築された生物反応器モデル、すなわち、最終生物反応器モデルを用いて生物反応器の最適の運転条件を決定する（Ｓ３０）。
換言すれば、プロセッサ１６０は、構築された生物反応器モデルを用いて生物反応器の最適の供給速度を決定する。
換言すれば、プロセッサ１６０は、構築された生物反応器モデルを用いて生物反応器の最適の供給速度を決定する。
【0104】
図５を参照しつつ、最適の運転条件を決定する過程をより具体的に説明する。
プロセッサ１６０は、使用者の入力により養分供給速度の変更回数Ｋと目的関数Ｊを選択する（Ｓ３０１）。
養分供給速度の変更回数Ｋは、生物反応器の全体運転時間の間に養分供給速度を変更する回数を意味し、使用者により任意に指定されてよい。
目的関数Ｊは、収率又は生産性に設定されてよい。
換言すれば、プロセッサ１６０は、使用者の入力により養分供給速度の変更回数Ｋと目的関数Ｊを設定する。
本実施形態では、目的関数Ｊを収率に選択した場合を例に挙げて説明する。
プロセッサ１６０は、使用者の入力により養分供給速度の変更回数Ｋと目的関数Ｊを選択する（Ｓ３０１）。
養分供給速度の変更回数Ｋは、生物反応器の全体運転時間の間に養分供給速度を変更する回数を意味し、使用者により任意に指定されてよい。
目的関数Ｊは、収率又は生産性に設定されてよい。
換言すれば、プロセッサ１６０は、使用者の入力により養分供給速度の変更回数Ｋと目的関数Ｊを設定する。
本実施形態では、目的関数Ｊを収率に選択した場合を例に挙げて説明する。
【0105】
プロセッサ１６０は、養分供給速度の変更回数Ｋと目的関数Ｊが選択されると、養分供給開始時間ｔｆｓを計算する（Ｓ３０２）。
プロセッサ１６０は、生物反応器に養分を供給しない一番目の区間で養分（ｓｕｂｓｔｒａｔｅ）が全て消費される時点を養分供給開始時間ｔｆｓとして算出する。
プロセッサ１６０は、生物反応器に養分を供給しない一番目の区間で養分（ｓｕｂｓｔｒａｔｅ）が全て消費される時点を養分供給開始時間ｔｆｓとして算出する。
【0106】
プロセッサ１６０は、養分供給開始時間ｔｆｓから生物反応器の運転終了時間（時点）ｔｆｉｎａｌまでの区間（時間）をＫ個の時間要素（ｔｉｍｅ ｅｌｅｍｅｎｔ）に分け、その分けられる時点ｔｋを計算する（Ｓ３０３）。
すなわち、ｔｋは、各区間の開始時点であり、ｔｋ＋１は、各区間の終了時点を意味する。
すなわち、ｔｋは、各区間の開始時点であり、ｔｋ＋１は、各区間の終了時点を意味する。
【0107】
プロセッサ１６０は、［ｔｋ，ｔｋ＋１］区間内の養分供給速度を構築された生物反応器モデルに入力して常微分方程式を計算し、状態変数（ｓｔａｔｅ ｖａｒｉａｂｌｅ）の変化を計算する（Ｓ３０４）。
すなわち、プロセッサ１６０は、［ｔｋ，ｔｋ＋１］区間内の養分供給速度を媒介変数として生物反応器モデルを表現した常微分方程式を計算して状態変数の変化を算出する。
すなわち、プロセッサ１６０は、［ｔｋ，ｔｋ＋１］区間内の養分供給速度を媒介変数として生物反応器モデルを表現した常微分方程式を計算して状態変数の変化を算出する。
【0108】
次いで、プロセッサ１６０は、生物反応器の運転方式がＭＢＯ方式であるのかを確認する（Ｓ３０５）。
すなわち、プロセッサ１６０は、構築された生物反応器モデルの運転方式がＭＢＯ方式であるのかを確認する。
すなわち、プロセッサ１６０は、構築された生物反応器モデルの運転方式がＭＢＯ方式であるのかを確認する。
【0109】
プロセッサ１６０は、生物反応器の運転方式がＭＢＯ方式であれば、［ｔｋ，ｔｋ＋１］区間内で反応器体積Ｖが最大の体積Ｖｍａｘ以上の時点があるのかを確認する（Ｓ３０６）。
プロセッサ１６０は、当該区間で反応器体積Ｖが最大の体積Ｖｍａｘに到達する時点があるのかを確認する。
このとき、プロセッサ１６０は、ＭＢＯが発生した回数（すなわち、ＭＢＯ回数）をカウンティングする。
プロセッサ１６０は、当該区間で反応器体積Ｖが最大の体積Ｖｍａｘに到達する時点があるのかを確認する。
このとき、プロセッサ１６０は、ＭＢＯが発生した回数（すなわち、ＭＢＯ回数）をカウンティングする。
【0110】
プロセッサ１６０は、［ｔｋ，ｔｋ＋１］区間内で反応器体積Ｖが最大の体積Ｖｍａｘに到達する時点、すなわち、ＭＢＯ時点ｔＭＢＯ，ｊとして算出する（Ｓ３０７）。
ここで、ｔＭＢＯ，ｊは、ｊ番目のＭＢＯが起こる時点を意味する。
生物反応器の運転方式がＭＢＯに設定された場合、連続工程で不連続的な操作が加えられる部分を反映するため、ＭＢＯ時点及びＭＢＯ回数が計算されるようにする。
ここで、ｔＭＢＯ，ｊは、ｊ番目のＭＢＯが起こる時点を意味する。
生物反応器の運転方式がＭＢＯに設定された場合、連続工程で不連続的な操作が加えられる部分を反映するため、ＭＢＯ時点及びＭＢＯ回数が計算されるようにする。
【0111】
プロセッサ１６０は、算出されたＭＢＯ時点ｔＭＢＯ，ｊで反応器体積ＶをＶ－ＶＭＢＯとし、［ｔｋ，ｔｋ＋１］区間でＭＢＯ時点ｔＭＢＯ，ｊまで、すなわち、［ｔｋ，ｔＭＢＯ，ｊ］区間内の常微分方程式の計算結果を記憶する（Ｓ３０８）。
プロセッサ１６０は、［ｔｋ，ｔＭＢＯ，ｊ］区間内の状態変数の変化を算出する。
プロセッサ１６０は、［ｔｋ，ｔＭＢＯ，ｊ］区間内の状態変数の変化を算出する。
【0112】
プロセッサ１６０は、構築された生物反応器モデルを用いて［ｔＭＢＯ，ｊ，ｔｋ＋１］区間の常微分方程式を計算し、計算された常微分方程式を用いて［ｔＭＢＯ，ｊ，ｔｋ＋１］区間で状態変数の変化を計算する（Ｓ３０９）。
換言すれば、プロセッサ１６０は、［ｔＭＢＯ，ｊ，ｔｋ＋１］区間の常微分方程式を用いて状態変数値を算出し、算出された状態変数値を用いて当該区間で状態変数の変化を算出する。
その後、プロセッサ１６０は、Ｓ３０６に戻って反応器体積が最大の体積以上であるのかを確認する。
換言すれば、プロセッサ１６０は、［ｔＭＢＯ，ｊ，ｔｋ＋１］区間の常微分方程式を用いて状態変数値を算出し、算出された状態変数値を用いて当該区間で状態変数の変化を算出する。
その後、プロセッサ１６０は、Ｓ３０６に戻って反応器体積が最大の体積以上であるのかを確認する。
【0113】
プロセッサ１６０は、反応器体積Ｖが最大の体積Ｖｍａｘ未満であれば、計算された状態変数の変化計算の結果を記憶する（Ｓ３１０）。
プロセッサ１６０は、［ｔＭＢＯ，ｊ，ｔｋ＋１］区間、又は、［ｔｋ，ｔｋ＋１］区間内の状態変数の常微分方程式（ＯＤＥ）の計算結果を記憶することができる。
プロセッサ１６０は、［ｔＭＢＯ，ｊ，ｔｋ＋１］区間、又は、［ｔｋ，ｔｋ＋１］区間内の状態変数の常微分方程式（ＯＤＥ）の計算結果を記憶することができる。
【0114】
プロセッサ１６０は、全ての区間に対する状態変数の変化を計算したのかを確認する（Ｓ３１１）。
すなわち、プロセッサ１６０は、Ｋ個の区間に対する状態変数の変化の計算が完了したのかを確認する。
すなわち、プロセッサ１６０は、Ｋ個の区間に対する状態変数の変化の計算が完了したのかを確認する。
【0115】
プロセッサ１６０は、状態変数の変化計算の結果を遺伝アルゴリズム（ＧＡ）に変数として入力し、選択された目的関数Ｊを最小化する養分供給速度を決定する（Ｓ３１２）。
換言すれば、プロセッサ１６０は、状態変数の変化を計算した結果に基づいて収率又は生産性を最大化することができる生物反応器の最適の養分供給速度を導出する。
換言すれば、プロセッサ１６０は、状態変数の変化を計算した結果に基づいて収率又は生産性を最大化することができる生物反応器の最適の養分供給速度を導出する。
【0116】
プロセッサ１６０は、決定された最適の運転条件を出力装置１３０に出力する（Ｓ４０）。
例えば、プロセッサ１６０は、決定された最適の運転条件をディスプレイ画面に表示する。
例えば、プロセッサ１６０は、決定された最適の運転条件をディスプレイ画面に表示する。
【0117】
このように、本発明では、各区間別に養分供給速度を媒介化して遺伝アルゴリズムに変数として提供することで、生物反応器の最適の運転条件を導出する。
【0118】
図６は、本発明により生物反応器を運転した時の工程指標の変化を示したグラフである。
【0119】
図６を参照すると、生物反応器モデルにより予測された最適の養分供給速度、すなわち、最適の運転方式は、既存の運転方式に比べて最初の段階に供給速度が高く、全体的に少ない量の養分を用いる方式である。
当該方式で生物反応器を運転した時の各工程指標の変化を検討すると、細胞濃度Ｘは、初めに早く増加して運転後半部には少ない供給により減少する形である。
これにより、養分の濃度Ｓは、初めにだけ既存の運転より高く形成されて細胞濃度の増加を助け、その後の運転では既存の運転と大きな差を示さない。
それにより、生産物濃度Ｐが既存の運転より増加することを確認することができる。
当該方式で生物反応器を運転した時の各工程指標の変化を検討すると、細胞濃度Ｘは、初めに早く増加して運転後半部には少ない供給により減少する形である。
これにより、養分の濃度Ｓは、初めにだけ既存の運転より高く形成されて細胞濃度の増加を助け、その後の運転では既存の運転と大きな差を示さない。
それにより、生産物濃度Ｐが既存の運転より増加することを確認することができる。
【0120】
以上の説明は、本発明の技術思想を例示的に説明したことに過ぎないものであって、本発明が属する技術分野において通常の知識を有する者であれば、本発明の本質的な特性から外れない範囲で多様な修正及び変形が可能である。
したがって、本発明に開示された実施形態は、本発明の技術思想を限定するためのものではなく説明するためのものであり、このような実施形態により本発明の技術思想の範囲が限定されるものではない。
本発明の保護範囲は、特許請求の範囲により解釈されるべきであり、それと同等な範囲内にある全ての技術思想は、本発明の権利範囲に含まれるものとして解釈されるべきである。
したがって、本発明に開示された実施形態は、本発明の技術思想を限定するためのものではなく説明するためのものであり、このような実施形態により本発明の技術思想の範囲が限定されるものではない。
本発明の保護範囲は、特許請求の範囲により解釈されるべきであり、それと同等な範囲内にある全ての技術思想は、本発明の権利範囲に含まれるものとして解釈されるべきである。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
