适应性机器学习框架,用于优化腺相关病毒载体的亲和力净化
Kelvin P Idanwekhai1,2, Shriarjun Shastry3,4,5, Morgan R Hurst3,4
1Department of Chemistry, University of North Carolina at Chapel Hill, Chapel Hill, North Carolina, USA.
使用贝叶斯优化的机器学习显著增强了腺相关病毒 (AAV) 载体净化. 这种适应性框架迅速提高了AAV的产量和纯度,降低了成本,并推进了基因治疗的可访问性.
科学领域:
- 生物技术是生物技术.
- 基因治疗制造业 基因治疗制造业
- 机器学习在生物处理中的应用
背景情况:
- 腺相关病毒 (AAV) 载体对于基因疗法至关重要,但它们的净化是一个主要的瓶,影响成本和可访问性.
- 传统的净化方法是资源密集型的,并且在最大限度地提高产量和质量方面往往不理想.
研究的目的:
- 开发和验证一个机器学习框架,以优化使用贝叶斯优化进行腺相关病毒 (AAV) 矢量净化.
- 系统地完善亲和色谱参数,以提高AAV产量,纯度和转导效率.
主要方法:
- 实施了一个闭环机器学习框架,利用贝叶斯优化来改进亲和染色学参数 (样本负载,流量,介质配方).
- 采用该框架,使用AvXcel吸附剂净化临床相关的AAV血清型 (AAV2,AAV5,AAV6,AAV9).
- 在三个或更少的周期内代优化参数.
主要成果:
- 在三个优化周期内实现了AAV收益率的显著改善,从基线70%增加到97%-99%.
- 在所有测试的血清型中,宿主细胞杂质减少了230至400倍.
- 始终生产高纯度的AAV载体,保持高传导活性,证明了广泛的适用性.
结论:
- 开发的贝叶斯优化框架提供了一种高效的数据驱动方法,可以在亲和度捕获步骤中增强AAV净化.
- 这种自适应机器学习策略加速了过程开发,降低了制造成本,并提高了基于AAV的基因疗法的可访问性.
- 证明了净化数据和工艺知识的可转移性,突出了框架的稳定性和在AAV制造中广泛采用的潜力.
相关概念视频
09:12Isolation of Adeno-Associated Viral Vectors Through a Single-Step and Semi-Automated Heparin Affinity Chromatography Protocol
08:35Production and Titering of Recombinant Adeno-associated Viral Vectors
08:47Intracranial Injection of Adeno-associated Viral Vectors
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
07:43A Validatable Droplet Digital Polymerase Chain Reaction Assay for the Detection of Adeno-Associated Viral Vectors in Bioshedding Studies of Tears
14:45Analyzing the Parkinson's Disease Mouse Model Induced by Adeno-associated Viral Vectors Encoding Human α-Synuclein


