アデノ随伴ウイルスベクターの親和性精製を最適化するための適応型機械学習フレームワーク

科学分野:

• バイオテクノロジー
• 遺伝子治療製造
• バイオプロセッシングにおける機械学習

背景:

• アデノ随伴ウイルス（AAV）ベクターは遺伝子治療に不可欠であるが、その精製はコストとアクセス可能性に影響を与える主要なボトルネックとなっている。
• 従来の精製方法はリソースを大量に消費し、収率と品質を最大化するためには最適ではないことが多い。

研究 の 目的:

• ベイジアン最適化を用いたアデノ随伴ウイルス（AAV）ベクター精製を最適化するための機械学習フレームワークを開発および検証する。
• AAVの収率、純度、および形質導入効率を向上させるために、アフィニティークロマトグラフィーパラメータを体系的に洗練させる。

主な方法:

• アフィニティークロマトグラフィーパラメータ（サンプル負荷、流速、メディア製剤）を洗練させるために、ベイジアン最適化を活用したクローズドループ機械学習フレームワークを実装した。
• このフレームワークを、AvXcel吸着剤を用いた臨床的に関連のあるAAV血清型（AAV2、AAV5、AAV6、AAV9）の精製に適用した。
• 3サイクル以下の反復的なパラメータ最適化を行った。

主要な成果:

• AAV収率の大幅な改善を達成し、ベースラインの70%から3回の最適化サイクル以内に97%-99%に増加させた。
• 試験されたすべての血清型で、宿主細胞由来の不純物を230倍から400倍低減させた。
• 一貫して高い形質導入活性を維持した高純度のAAVベクターを製造し、幅広い適用可能性を示した。

結論:

• 開発されたベイジアン最適化フレームワークは、アフィニティー捕捉ステップにおけるAAV精製を強化するための効率的でデータ駆動型のアプローチを提供する。
• この適応型機械学習戦略は、プロセス開発を加速し、製造コストを削減し、AAVベースの遺伝子治療のアクセス可能性を向上させる。
• 精製データとプロセス知識の転移可能性を実証し、フレームワークの堅牢性とAAV製造における広範な採用の可能性を強調した。