在T细胞疗法培养中基于机器学习的偶然微生物的检测,使用长读测序
James P B Strutt1, Meenubharathi Natarajan1, Elizabeth Lee1
1Singapore-MIT Alliance for Research and Technology , Singapore, Singapore.
Microbiology spectrum
|August 30, 2023
概括
这项研究引入了一种快速的纳米孔测序方法,结合机器学习来检测细胞疗法中的微生物污染,大大减少了测试时间,从14天减少到几个小时,以提高患者安全.
科学领域:
- 微生物学 微生物学
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 细胞疗法产品的安全性依赖于严格的无菌性测试.
- 目前的综合性不育测试 (USP <71>) 是耗时的,需要7-14天.
- 快速检测少量微生物污染物对于细胞疗法制造至关重要.
研究的目的:
- 开发一种快速,非向的方法,用于在细胞疗法中检测敏感的微生物污染物.
- 为了利用长读序列和机器学习进行无菌性评估.
- 减少细胞治疗生产中微生物测试所需的时间.
主要方法:
- 使用牛津纳米孔技术MinION开发了一个长时间读取的测序工作流.
- 采用16S和18S安普利康测序用于微生物检测.
- 利用元基因组分类和XGBoost机器学习模型来识别污染物和确定不育性.
主要成果:
- 实现了微生物污染物的敏感检测,低至10个殖民地形成单位 (CFU) /mL.
- 开发的管道准确识别了微生物物种,并评估了样本无菌状态.
- 证明了检测USP <71>生物和其他微生物物种的能力.
结论:
- 将长读序列与机器学习相结合,为细胞治疗无菌性测试提供了一个快速而准确的方法.
- 与传统方法相比,这种新的方法显著缩短了检测时间.
- 该方法提高了细胞疗法制造的安全性和效率,有利于患者的治疗结果.
