在细胞培养过程中使用基于机器学习模型的软传感器快速监测总酸
Amir M Behdani1, Yuxiang Zhao2, Grace Yao2
1School of Pharmacy, Virginia Commonwealth University, Richmond, Virginia, USA.
Biotechnology progress
|July 2, 2024
概括
一个新的机器学习模型在细胞培养过程中快速预测生物疗法中的总酸 (TSA) 含量. 这种人工智能工具利用了常见的过程参数,提供比关键质量属性监测的传统测试更快的见解.
科学领域:
- 生物制药制造业 生物制药制造业
- 分析化学 分析化学
- 计算生物学 计算生物学
背景情况:
- 总酸 (TSA) 是生物治疗蛋白质的关键质量属性,影响药物疗效.
- 传统的TSA量化方法耗时,涉及复杂的隔离和染色学分析.
- 在细胞培养过程中快速监测TSA对于生物过程优化至关重要.
研究的目的:
- 开发一种基于机器学习的快速方法,用于在细胞培养过程中预测生物治疗中TSA含量.
- 创建一个用户友好的工具,使用过程参数即时显示TSA值.
- 评估用于TSA预测的不同机器学习算法的性能.
主要方法:
- 使用历史细胞培养过程参数开发机器学习模型.
- 评估各种算法,随机森林被确定为最有效的.
- 使用用户界面输入过程数据并接收预测的TSA值.
主要成果:
- 随机森林模型准确地预测了TSA,可活细胞密度 (VCD),谷氨酸,和被确定为关键预测因素.
- 该模型在细胞培养的第14天显示出强大的可预测性.
- 在校准范围的极端端预测TSA值时发现了挑战.
结论:
- 机器学习和软传感器为生物处理提供了一个变革性的方法.
- 开发的工具为TSA预测提供了一种快速有效的方法,推进生物处理能力.
- 未来的工作将集中在数据增强上,以提高精度,并探索过程控制应用.
