一个用于软传感器开发的循环神经网络,使用CHO稳定池在SARS-CoV-2尖端蛋白生产的料批处理过程中作为疫苗抗原

科学领域:

• 生物技术和生物加工
• 化学和生物化学工程 化学和生物化学工程
• 计算生物学 计算生物学

背景情况:

• 使用中国汉姆斯特卵巢 (CHO) 细胞进行料批复重组治疗性蛋白 (RTP) 生产是漫长的 (>10天).
• 关键的过程参数往往是在后期或仅在后期进行测量,从而阻碍了及时的决策.
• 实时数据集成对于生物制造中的预测控制策略至关重要.

研究的目的:

• 开发一个软传感器模型,整合在线生物反应器数据和离线历史数据,用于预测控制.
• 准确预测关键性能指标,如产品标位,细胞生长和代谢物度.
• 评估模型在没有直接离线测量的情况下感知具有挑战性的变量的能力.

主要方法:

• 软传感器模型的开发,将日常在线生物反应器数据与历史线下采样数据合并.
• 在17天的过程中利用该模型追踪产品标位,细胞生长,代谢物 (葡萄糖,乳酸盐,氨) 和葡萄糖消耗.
• 使用规范化根平均平方误差 (nRMSE),规范化平均绝对误差 (nMAE) 和线性 (R2) 评估模型性能.

主要成果:

• 软传感器准确地跟踪了产品标位,细胞生长和代谢物,预测误差低 (nRMSE = 0.24,nMAE = 0.18) 和高线性 (平均R2 = 0.97).
• 该模型成功地预测了产品标位和代谢概况,即使没有采样当天的离线数据作为输入.
• 预测的瞬间特定葡萄糖消耗率与实验测量结果一致,从而实现了潜在的在线葡萄糖控制.

结论:

• 拟议的软传感器有效地预测CHO细胞培养中的关键过程属性,使用常规在线数据.
• 这种方法为难以确定变量的劳动密集型离线测量提供了可行的替代方案,例如SARS-CoV-2尖端蛋白.
• 开发的模型增强了实时过程监控和控制的机会,提高了RTP生产的效率.