使用人工混合样本开发的拉曼光谱校准模型验证细胞培养监测,并使用初始批量数据调查模型学习方法

科学领域:

• 生物技术是生物技术.
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 对拉曼光谱的校准模型开发是耗时且昂贵的,因为需要大量的数据采集.
• 精确监测生物过程参数,如葡萄糖,乳酸和抗体,对于优化细胞培养至关重要.
• 现有的方法通常需要对实际的细胞培养进行多次实验,从而增加了对资源的需求.

研究的目的:

• 通过使用人工混合样本,研究一种开发强大的拉曼光谱校准模型的新方法.
• 为了减少与传统校准模型开发相关的实验负担和成本.
• 用人工样本开发的模型的准确性和稳定性与实际细胞培养条件进行验证.

主要方法:

• 校准数据集是从人工混合的样本中生成的,其度是由实验设计决定的.
• 测量了这些人工混合物的拉曼光谱,并用于构建预测模型.
• 在实际细胞培养样本上使用根平均平方预测误差 (RMSEP) 评估模型性能.
• 用小数据集训练的错误热图来优化光谱预处理条件.

主要成果:

• 使用人工混合样本构建的校准模型在恒定培养条件下显示高精度的葡萄糖,乳酸和抗体度 (RMSEP < 0.35 g/L).
• 这些模型保持了可接受的准确性,即使细胞系或培养基有所变化,也表明了强度.
• 优化的光谱预处理和小型数据集培训进一步提高了不同条件的预测准确性.
• 在各种场景中,葡萄糖,乳酸和抗体度的RMSEP分别低至0.26,0.12和0.12g/L.

结论:

• 使用人工混合样本开发的校准模型对于监测实际的细胞培养是有效和强大的.
• 这种方法显著减少了与拉曼光谱校准数据采集相关的时间和成本.
• 该方法为实时生物过程监测提供了可行的替代方案,可适应不断变化的培养条件.