顺序主动学习用于在mAb生产中优化媒介
Takamasa Hashizume1, Koki Baba2, Naoya Matsuo3
1School of Life and Environmental Sciences, University of Tsukuba, 1-1-1 Tennodai, Tsukuba, Ibaraki 305-8572, Japan.
这项研究引入了一种积极学习策略,以优化细胞培养基用于单克隆抗体生产. 该方法将机器学习与实验数据相结合,显著提高了中国仓鼠卵巢 (CHO) 细胞中的免疫球蛋白G (IgG) 标位.
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
- 细胞培养技术 细胞培养技术
背景情况:
- 单克隆抗体 (mAbs) 是癌症和自身免疫性疾病的关键治疗方法.
- 有效的mAb生产在很大程度上依赖于优化的细胞培养基.
- 目前的优化方法难以整合实验生物见解.
研究的目的:
- 为合理的细胞培养基设计制定积极学习策略.
- 为了提高中国仓鼠卵巢 (CHO) 细胞培养中的免疫球蛋白G (IgG) 标位.
- 将机器学习预测与生物学上有意义的实验观测相结合.
主要方法:
- 使用了实验设计 (DOE) 和两个机器学习模型的组合.
- 实施了一种积极学习策略,用于代的媒介组件调整.
- 在CHO细胞培养的无血清介质中优化了44个成分.
主要成果:
- 在IgG单克隆抗体产生方面取得了显著的改善.
- 成功地结合了生物见解,如度控制和氨基酸组成.
- 证明了该战略的有效性,即使在有限的实验资源.
结论:
- 拟议的积极学习策略为细胞培养基优化提供了实用和有效的方法.
- 这种数据驱动的方法促进了生物制药制造中的合理介质设计.
- 该策略使生物见解能够集成到计算优化流程中.
更多相关视频
13:54A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM
Published on: August 18, 2023
07:08Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues
Published on: July 14, 2015
相关概念视频
Improving Translational Accuracy
Improving Translational Accuracy
Observational Learning
Purposive Learning
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Multi-input and Multi-variable systems
In the absence of...
