根据CHO细胞培养介质标记物和机器学习预测的抗体甘氨酸质量
Meiyappan Lakshmanan1,2,3,4, Sean Chia1, Kuin Tian Pang1
1Bioprocessing Technology Institute (BTI), Agency for Science, Technology and Research (A⁎STAR), 20 Biopolis Way, #06-01 Centros, Singapore 138668, Republic of Singapore.
Computational and structural biotechnology journal
|July 5, 2024
概括
机器学习模型可以使用媒体标记器预测单克隆抗体 (mAb) 生物制造中的N-甘氨酸类型. 这种方法从细胞外数据中预测关键质量属性,帮助过程开发.
科学领域:
- 生物技术是生物技术.
- 生物制药制造业 生物制药制造业
- 格莱科米克斯 (Glycomics) 是一个有趣的药物.
背景情况:
- N-甘化显著影响单克隆抗体 (mAb) 治疗药物的质量.
- 调节细胞培养基是控制mAb生物制造过程中N-糖化模式的关键策略.
研究的目的:
- 探索机器学习 (ML) 的应用,以基于细胞培养介质变量来预测N-甘氨酸丰度.
- 识别关键介质组件,作为N-甘氨酸关键质量属性的可靠指标.
主要方法:
- 在12种不同的条件下 (溶解氧,pH,温度,介质类型) 使用了Anti-HER养批量生物反应器细胞培养的数据集.
- 执行消耗的介质量测量和计算的伪细胞消耗率 (介质标记) 作为ML模型输入.
- 开发了ML模型,以将介质标记物与N-glycan相对丰度相关联.
主要成果:
- 18个介质标记物的子集 (在167个中) 被确定为中国汉姆斯特卵巢 (CHO) 细胞培养中的N-甘氨酸相对丰度的显著预测因素.
- ML模型实现了高性能:回归相关性在0.80-0.92之间,分类AUC值在75.0-97.2.2.之间.
- 证明ML模型可以使用细胞外媒体数据作为代理推断N-glycan的关键质量属性.
结论:
- 机器学习模型可以从细胞外媒体标记器准确预测N-甘氨酸配置文件.
- 这种预测能力对优化生物制造工艺,包括上游和下游生物加工具有重大潜力.
- 该研究强调了ML在推断关键质量属性的实用性,促进更有效的生物过程开发和控制.
