深度学习驱动的体数字SERS用于精确监测细胞培养媒体
Peng Zheng1, Lintong Wu1, Michael Ka Ho Lee1
1Department of Mechanical Engineering, Johns Hopkins University, Baltimore, MD 21218, United States.
bioRxiv : the preprint server for biology
|February 20, 2025
概括
这项研究介绍了一种新的深度学习驱动的体数字SERS平台,用于增强生物制药制造. 这种先进的过程分析技术 (PAT) 能够快速,准确地监测关键质量属性,改善生物制剂的生产.
科学领域:
- 分析化学 分析化学
- 生物技术是生物技术.
- 频谱学是一种光谱学.
背景情况:
- 目前的过程分析技术 (PAT) 缺乏监测生物制药制造中小分子关键过程参数和质量属性的速度和准确性.
- 传统的表面增强拉曼光谱 (SERS) 存在强度波动,限制了PAT应用的可复制性和可靠性.
研究的目的:
- 开发一个基于深度学习的合式数字SERS平台,以克服PAT传统SERS的局限性.
- 为了使生物制药制造和细胞培养介质中的关键过程参数和质量属性的快速,高度准确和可重复的监测.
主要方法:
- 开发了一个体数字SERS平台,将波动的SERS强度转换为数字"ON/OFF"信号.
- 利用深度学习来分析这些数字信号,使其能够检测到广泛的分析物,即使是那些缺乏特征SERS峰值的分析物.
- 应用该平台来监测AMBIC 1.1,一种化学定义的,无血清的哺乳动物细胞培养的完整介质.
主要成果:
- 该平台展示了单分子事件的数字可视化,显著减少了假阳性和背景干扰.
- 在监测细胞培养介质方面取得了高度准确和可重复的结果.
- 通过深度学习集成,展示了通过深度学习集成来检测没有特征SERS峰值的分析物的能力.
结论:
- 基于深度学习的体数字SERS平台为快速和精确的细胞培养介质监测提供了强大的解决方案.
- 这种创新的PAT工具有可能在生物制药制造和生物医学诊断中得到广泛采用.
- 该平台解决了复杂生物制品生产当前分析技术的关键局限性.
