软传感器模型开发用于CHO生长/生产,细胞内代谢物和糖预测

科学领域:

• 生物技术是生物技术.
• 工艺工程是过程工程.
• 计算生物学 计算生物学

背景情况:

• 在生物制造中评估产品质量是具有挑战性和资源密集的.
• 在线过程分析技术 (PAT) 对于实时监测和质量预测至关重要.
• 软传感器模型是PAT的关键组成部分,用于理解过程动态.

研究的目的:

• 评估三个不同的建模方法来预测中国仓鼠卵巢 (CHO) 细胞生长,生产和质量属性.
• 在预测细胞培养参数方面比较机械 (迈凯利斯-门动力学),数据驱动 (OPLS) 和机器学习 (NN) 模型.
• 为治疗性蛋白质质量的软传感器模型在PAT中快速开发和应用提供指导.

主要方法:

• 用 Galactose 养 CHO 细胞的批量培养物进行了利用.
• 评估了三个建模方法:机械 (MMK),直角部分最小方形 (OPLS) 和神经网络机器学习 (NN).
• 评估了模型的性能,以预测细胞生长,生产,细胞外代谢物,核酸糖捐赠者 (NSD) 和甘配置文件.

主要成果:

• 机械 (MMK) 模型准确地预测了使用更少投入的CHO细胞生长和生产,但在糖配置上遇到了困难.
• 神经网络 (NN) 和直角局部最小方形 (OPLS) 模型对甘氨酸成分的精度更高,但对增长和生产预测的准确性较低.
• NN和OPLS模型需要更广泛的投入和开发时间,但提供了类似的细胞内代谢物趋势预测,并受益于对外推测挑战的训练设置时间.

结论:

• 没有一种单一的模型类型是最佳的,用于CHO细胞培养中的所有预测任务.
• 机械模型适用于增长和产量预测,而NN和OPLS更适合详细的质量属性,如糖.
• 将NN和OPLS与新兴-omics技术集成,有望开发更强大的预测模型,用于实时治疗蛋白质质量评估.