开发拉曼光谱和机器学习方法用于蛋白质聚合物的量化:在染色学过程中应用到BSA

科学领域:

• 生物制药制造业 生物制药制造业
• 分析化学 分析化学
• 过程分析技术 过程分析技术

背景情况:

• 蛋白质聚合是影响生物制药产品质量,有效性和安全性的关键问题.
• 传统的线下集成检测方法,如尺寸排除色谱,缺乏实时过程控制的速度.
• 对于在制造过程中监测蛋白质单体和聚合物的直线分析技术有很大的需求.

研究的目的:

• 开发和验证基于拉曼光谱的策略,用于选择性检测和蛋白质单体和聚合物的量化.
• 通过实现生物制药过程的实时监控来解决传统方法的局限性.
• 利用先进的化学测量方法来对蛋白质大小变异进行可靠的量化.

主要方法:

• 拉曼光谱法用于分子特异性和快速数据采集.
• 使用受控的压力条件来产生可重复的蛋白质聚合物 (牛血清白蛋白).
• 拉丁式超立方体采样设计改变了蛋白质度和聚合分数,以隔离聚合效应.
• 卷积神经网络 (CNN) 被用作数据分析的化学度机器学习方法.

主要成果:

• 鉴定出表明蛋白质聚合的光谱标记物.
• 与传统方法相比,CNN在量化单体和聚合物方面表现出卓越的预测性能和稳定性.
• 开发的方法实现了蛋白质大小变异的可靠,实时监测.
• 定性比较与离线尺寸排除色谱验证的光谱标记物发现.

结论:

• 拉曼光谱,加上先进的化学测量建模 (特别是CNN),提供了一种可靠的实时监测蛋白质聚合的方法.
• 这种方法显著提高了生物制药下游过程控制和稳定性.
• 这些发现支持拉曼光谱作为生物制药制造质量控制的过程分析技术 (PAT) 的应用.