优化重组抗体片段的生产:人工智能和统计建模的比较
Majid Basafa1, Atieh Hashemi1, Aidin Behravan1
1Department of Pharmaceutical Biotechnology, School of Pharmacy, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Biotechnology and applied biochemistry
|May 20, 2024
概括
使用人工神经网络 (ANN) 和响应表面方法 (RSM) 优化重组蛋白质生产揭示了ANN.
科学领域:
- 生物技术和生物工艺工程
- 蛋白质表达和优化过程
- 计算生物学和生物信息学
背景情况:
- 实现最大限度的重组蛋白产量对于生物制药生产至关重要.
- 传统的方法,如一次性一个因素 (OFAT),对于复杂的优化通常是低效的.
- 统计和数学模型为优化生物过程提供了先进的方法.
研究的目的:
- 为了优化生产介质,最大限度地提高重组抗上皮细胞粘附分子细胞外域碎片抗体产量.
- 将人工神经网络 (ANN) 建模与响应表面方法 (RSM) 的预测精度进行比较.
主要方法:
- 中央复合设计 (CCD) 具有232个实验试验,用于优化一个分类和四个数值参数.
- 统计分析包括差异分析 (ANOVA) 以评估因素的意义.
- 开发和评估人工神经网络 (ANN) 模型和响应表面方法 (RSM) 模型.
主要成果:
- RSM模型有效地预测了单链片段变量 (scFv) 收益率 (R2 = 0.905).
- 与RSM相比,ANN模型表现出更高的精度 (R2 = 0.942,NRMSE = 0.145) 和预测能力 (R2 = 0.968,NRMSE = 0.048) 的优越性能.
- 在最佳条件下 (0.7细胞密度,0.6mM诱导,32小时,30°C) 产生了259.51mg/L蛋白质,与ANN预测非常相匹配.
结论:
- 人工神经网络 (ANN) 建模在预测重组蛋白产量方面明显优于响应表面方法 (RSM).
- 鉴定到的最佳培养条件为最大限度地提高抗体碎片的产生提供了强大的策略.
- 对于复杂的生物过程优化,ANN模型非常有效,提高了预测准确性和效率.
