机器学习工具作为快速量化单克隆抗体N-glycans的启动器,使用光探测器检测器

科学领域:

• 生物制药学分析分析
• 分析化学是一种分析化学.
• 计算生物学是一种计算生物学.

背景情况:

• 液体染色体质谱法 (LC-MS) 是对单克隆抗体 (mAbs) 的N-甘氨酸分析的标准.
• LC-MS是灵敏和准确的,但资源密集型,推动了更快,更具成本效益的方法的需求.
• 正角分析方法对于强大的生物制药表征至关重要.

研究的目的:

• 开发一种快速,具有成本效益的在线方法,使用液体染色学-光检测 (LC-FLD) 和机器学习 (ML) 来量化N-glycan.
• 实施极端梯度提升 (XGBoost) ML算法,用于实时量化InstantPC标记的N-glycans.
• 建立一个高效的直角方法来LC-MS在mAbs.的N-糖甘分析.

主要方法:

• 预处理LC-FLD数据,包括基线校正和降噪.
• 应用极端梯度提升 (XGBoost) 机器学习算法来量化N-甘氨酸.
• 验证ML模型与LC-MS量化对准确性和可靠性的验证.

主要成果:

• LC-FLD-ML模型实现了高精度,与LC-MS可比,根平均平方误差<0.5和R2>0.95.5.
• 与传统的整合方法相比,ML模型显著减少了平均误差 (28-40%的减少).
• 每个样本的数据分析时间减少了约70%,从5分钟减少到1.5分钟.

结论:

• 开发的LC-FLD-ML方法提供了一种节省时间和资源的直角方法,用于在mAbs.中量化N-glycan.
• 这种基于ML的方法加快了N-甘氨酸的分析,使其更容易用于生物制药开发和质量控制.
• 这项研究表明,机器学习有助于提高生物制药特性分析工作流程的潜力.