用卷积神经网络模型在生物制药中通过流影像显微镜检测到降解的多酸盐,蛋白质和油亚可见粒子的图像分类
Filip M Fedorowicz1, Pascal Chalus2, Kyra Kirschenbühler3
1Lonza AG, Drug Product Services, Hochbergerstrasse 60G, 4057 Basel, Switzerland; Current affiliation: Clear Solutions Laboratories AG, Mattenstrasse 22, 4058 Basel, Switzerland.
Journal of pharmaceutical sciences
|July 8, 2023
概括
聚酸盐的降解会导致次可见颗粒 (SvP). 定制的卷积神经网络 (CNN) 从流影像显微镜数据中准确地分类这些粒子,改善生物制药质量控制.
科学领域:
- 生物制药学分析分析
- 粒子的表征 粒子的表征
- 机器学习应用程序 机器学习应用程序
背景情况:
- 生物制药中的多酸盐降解会产生次可见颗粒 (SvP),包括自由脂肪酸 (FFA) 和蛋白质聚合物.
- 流成像显微镜 (FIM) 对于SvP分析至关重要,但产生大量数据集,阻碍了快速的手动表征.
- 需要自动化分析来克服手动FIM数据解释的局限性.
研究的目的:
- 开发和应用一个定制的卷积神经网络 (CNN) 用于通过FIM获得的SvP图像的分类.
- 评估CNN在FFAs,蛋白质颗粒和油滴之间区分的能力.
- 评估CNN在预测未知和标记测试样本组成方面的表现.
主要方法:
- 使用自定义卷积神经网络 (CNN) 架构进行图像分类.
- 在FIM生成的各种微可见粒子图像上训练了CNN.
- 验证了CNN的预测能力,使用已知和未知成分的组合测试样本.
主要成果:
- 美国有线电视新闻网 (CNN) 展示了对SvP图像的强有力的分类,区分FFAs,蛋白质颗粒和油滴.
- 观察到FFA和蛋白质颗粒之间的轻微错误分类,被认为是可接受的药物开发.
- 美国有线电视新闻网 (CNN) 成功预测了具有不同粒子类型的试验样本的组成.
结论:
- 开发的CNN提供了一种快速可靠的方法来分类在FIM分析中遇到的常见SvP.
- 这种人工智能驱动的方法提高了生物制药质量控制过程的效率和准确性.
- 该CNN适用于药物开发中的常规应用,有助于识别与颗粒相关的问题.
