Metodología innovadora para el monitoreo flexible de varios bioprocesos mediante el uso de datos Raman preexistentes...

Área de la Ciencia:

• Biotecnología La biotecnología es la biotecnología.
• Química analítica Química analítica es la que
• Tecnología analítica de procesos (PAT)

Sus antecedentes:

• La espectroscopia Raman ofrece un poderoso monitoreo de bioprocesos, pero requiere una extensa calibración específica del proceso.
• La transferencia limitada de los modelos de espectroscopia Raman dificulta su aplicación en diversas condiciones de bioprocesamiento.
• El desarrollo de métodos automatizados para la transferencia de modelos es crucial para mejorar la flexibilidad de la espectroscopia Raman.

Objetivo del estudio:

• Introducir un enfoque de aprendizaje de transferencia automatizado para el monitoreo flexible de bioprocesos utilizando espectroscopia Raman.
• Para permitir el uso de modelos quimiométricos preexistentes para nuevos bioprocesos que carecen de modelos Raman específicos.
• Para reducir la necesidad de recalibraciones extensas en diversos entornos de bioprocesamiento.

Principales métodos:

• Utilizado algoritmo de proyección ortogonal dinámica (DOP) para el aprendizaje automático de transferencia.
• Adaptó los datos espectrales de Raman existentes de un "Proceso de entrada" para alinearlos con un "Proceso objetivo" utilizando datos espectrales del objetivo.
• Valida el enfoque en cultivos celulares de ovario de hámster chino (CHO) que monitorean la glucosa, el lactato, la glutamina y la densidad celular viable (VCD).

Principales resultados:

• La transferencia inicial del modelo con un lote dio un error relativo de ~10% para la glucosa y el lactato.
• Reducción adicional de los errores relativos por debajo del 10% para la mayoría de los parámetros después de transferir modelos utilizando dos lotes.
• Se ha demostrado la adaptación exitosa de los modelos Raman en diversas condiciones, incluido el modo de cultivo, la línea celular, los medios, el analizador y la configuración de adquisición.

Conclusiones:

• El aprendizaje de transferencia automatizado minimiza efectivamente las necesidades de recalibración para la espectroscopia Raman en el monitoreo de bioprocesos.
• El método desarrollado mejora la eficiencia y la amplia aplicabilidad de la espectroscopia Raman en diversos entornos de bioprocesamiento.
• Este enfoque facilita un monitoreo en tiempo real más robusto y adaptable de los parámetros críticos del bioproceso.