使用卷积神经网络和拉曼光谱技术预测细胞培养产品质量属性

科学领域:

• 生物制药工艺的监控
• 频谱学分析的分析.
• 机器学习在生物处理中的应用

背景情况:

• 生物制药中先进的工艺控制因缺乏实时测量而受到限制.
• 拉曼光谱与部分最小平方 (PLS) 模型提供实时监测,但在不同的细胞系中难以准确.
• 在预测培训数据中不包括的细胞系的质量属性时,PLS模型的准确性降低.

研究的目的:

• 开发一个强大的和多功能深卷积神经网络 (CNN) 模型,用于准确,实时预测生物制药质量属性.
• 克服传统的部分最小方程 (PLS) 模型在预测不同细胞线和操作条件的质量属性的局限性.
• 使用拉曼光谱学创建一个通用的离线模型,不需要重新校准部署.

主要方法:

• 实施了不对称最小方形平滑,以调整拉曼光谱基线.
• 通过合并来自各种细胞系和操作条件的拉曼光谱及其衍生物,创建了一个二维模型输入.
• 开发并验证了一个深度卷积神经网络 (CNN) 模型,用于使用这种增强数据集预测质量变量.

主要成果:

• 深度CNN模型证明了对实时质量属性的准确预测.
• 该模型即使在训练数据中不存在的实验运行中也是有效的.
• 验证证实了该模型在不同细胞系和实验条件下的强度和多功能性.

结论:

• 开发的深度CNN模型作为生物制药制造业实时质量属性预测的准确通用工具.
• 该模型消除了在不同地点部署时需要重新校准的需要,监控各种细胞线和实验运行.
• 这种方法通过提供可靠的实时了解生物过程质量来增强过程控制.