将数据驱动建模方法纳入生物制药加工

生物处理过程中细胞生产力、产品质量属性和工艺偏差的预测是至关重要的，目前正在探索建立允许生物过程操作期间探索和预测的模型。在这里，我们探索了使用数据驱动建模的新工作流，以改进培养基和新的控制算法，允许在生物工艺设计空间内进行更好的调制。

什么是数据驱动模型?

在生物处理中，数据驱动模型研究生物过程的输入和输出参数之间的统计关系，这些参数证明了它们之间的预测相关性，依赖于用于构建这些类型模型的数据。这与机械建模不同，机械建模的重点是通过应用第一原理方法来跟踪生物过程操作中的动态变化，从而提高对过程的理解。这些模型还可以组合在一起，以实现混合建模，其中数据驱动的模型可以替代未知方程，以填补理解方面的空白。

为了生成数据驱动的模型，需要使用实验设计(DoE)来选择不同的统计设计，然后通过计划的实验来检查这些设计，以生成数据集。来自数据集的相互作用被检查，以评估输入和输出变量之间的主要影响。通常，这是通过线性回归、响应面模型、多元分析或机器学习来完成的。

基于数据驱动模型的框架，合理改进细胞培养基

细胞培养基是生物处理中成本最高的;商业上可用的培养基用于提高生产力和产品质量，这就是为什么相当多的资源被用于细胞系的培养基筛选和开发。 ¹

培养基开发的典型策略主要依赖于经验和统计方法，如DoE和多元数据分析(MDVA)。这是通过混合营养物质来生产配方，评估配方的性能，使用统计分析来确定关键的介质成分，然后使用DoE进行实验验证。然后MDVA可以用来捕获过程中变量之间的隐藏相关性。然而，目前这个框架的问题是，它依赖于黑盒方法，没有考虑媒体组件如何影响细胞行为。为了克服这个问题，在网上利用基因组尺度代谢模型(GEM)通量平衡分析(FBA)的模型引导方法，可以机械地描述与培养条件相关的代谢行为。

将细胞培养和代谢物数据与模型集成以构建丰富的数据驱动系统的框架发表在代谢工程最近李东烨博士他是韩国成均馆大学化学工程副教授。²在这里，李博士探索了一个系统的媒体设计框架，用于基于知识的目标媒体组件识别。

该框架包括六个步骤:

1.细胞培养和代谢物数据收集，其中进行培养，并收集必要的培养剖面

2.数据处理和元素平衡，其中数据被处理成单元特定的速率，输入和输出也被检查

3.多变量统计分析，解释工艺条件和性能之间的关系

4.途径富集分析，建议相关代谢途径进行模型指导分析

5.在网上建模和通量预测，根据通量分布描述相关代谢状态

6.从高度耦合或去耦反应中识别介质组分目标。

为了展示作为概念证明的框架，Lee博士的团队采用了两种产生单克隆抗体(mAb)的CHO细胞系，并在两种不同的基础培养基中培养它们，以比较和评估四种不同的组合。在培养过程中，他们研究了这一过程，并对残留的代谢物进行了代谢分析，如氨基酸、核苷酸、TCA循环、糖酵解和磷酸五糖途径。

“使用该框架，我们能够在统计上将重点缩小到TCA循环作为一种依赖于介质的富集途径，并合理地确定一些导致能量合成不足的下调反应。我们建议增加q10补充，以消除系统的瓶颈，”Lee解释道。q10是线粒体电子传递链的重要组成部分，文献表明，在CHO细胞培养中，补充q10可以通过改善细胞生长和产量来增强能量代谢。^3.，4为了验证这一点，研究小组在添加不同浓度的q10的情况下进行细胞培养，发现在辅助因子再生不足的条件下，q10确实有助于去瓶颈化系统，并导致活细胞密度的增加。

“这个系统框架在研发方面对行业非常有用。如今，企业有必要更好地理解潜在的机制，并理性地设计它们，使其成为更优的生产者。”今天可以通过将数据整合到这样的模型中来实现，以更好地阐明培养基如何影响细胞系，这是这项工作中的一个例子。

过程感知数据驱动模型允许生物反应器预测控制

生物反应器是生物制药行业的重要组成部分，因为它们是大规模生产生物治疗药物(如单克隆抗体)的关键平台。反应器的可扩展性使他们能够从小规模生产生物制剂，用于研发目的的几百毫升，到大规模生产的数千升。为了生产这些生物治疗药物，控制过程是至关重要的;这是通过在生物反应器的已知输入和输出之间创建算法来实现的，以确保流程按预期运行。例如，在生物反应器内，这些输入可以是进料速率、溶解氧(DO)、pH值和喷射速率。而输出和有形特征包括细胞密度、活率和单克隆抗体产物。

当生物反应器以连续模式(如灌注)运行时，进一步增加了复杂性。这允许更好的一致性和生产力，因为产品是不断收获，而不是传统的饲料批次，其中产品只在活动结束时收获。然而，灌注系统的设置需要更严格的过程控制，因为系统需要保持在半稳态，这对优化具有挑战性。

用于工业加工的传统控制是比例积分控制。然而，使用更复杂的系统，如模型预测控制(MPC)，可以计算出最佳的输入轨迹，以满足所需的输出值。⁵使用MPC是不常见的，由于细胞的敏感性和设置批量配方。允许MPC的这种差距是Mhaskar集团感兴趣的人。

Prashant Mhaskar博士他是加拿大安大略省麦克马斯特大学化学工程系的教授。Mhaskar小组在两个领域工作:非线性过程控制和数据驱动的建模和控制。最近，他的团队发表了研究单抗灌注生物过程的过程感知数据驱动建模和控制的工作，这项工作做了两件事，(1)建立一个数据驱动模型，(2)制定一个模型预测控制器，以演示该系统与传统PI控制的使用。⁶

“流程感知模型将信息(无论是定量的还是定性的)整合到模型中，而不是使用我们所说的黑盒。例如，如果已知葡萄糖摄入和产品滴度之间存在正相关关系，我们希望确保您建立了一个代表该约束的模型，”Mhaskar说。

“在模型中，我们可以定义增益，这是系统内输入和输出变量之间的关系。如果一个关系是已知的，增益可以限制在这两个变量之间，以创建过程知识或过程的意识．这为控制系统创造了更好的结果和更健壮的系统，”他补充道。换句话说，该模型是建立在对生物过程有利的约束条件下的，并且不允许控制偏离可能对细胞代谢或所产生的生物质量造成问题的苛刻输入变量。这是通过获取具有已知结果的实验数据，用这些输入和输出训练控制器，并使用验证数据来确保模型在应用于控制时具有预测性来实现的。

“我们的一个主要切实发现是，我们能够比传统的PI控制系统更有效地运行我们的过程，这也使我们获得了更高的抗体生产力。这种方法在应用上是非常通用的，也可以用于其他细胞系，”Mhaskar解释说。虽然更高的生产率是一种有形的产出，但其重要性取决于所开发的技术。一旦针对特定过程进行优化，这种类型的技术可以普遍用于不同类型的细胞，并且将允许更好的生物过程控制，不仅在小规模上，而且如果记住扩大规模所产生的问题，也可以转移到工业规模的生物处理。

展望未来，Mhaskar小组不仅希望将该过程的输出，还希望将产品质量纳入他们的模型设计中，这将允许具有更同质的翻译后修饰的治疗，这是连续生物处理的一个热点问题。

生物过程建模展望

不出所料，仍然需要优化当前的制造实践。从细胞系发育到培养基发育，再到上下游生物加工，所有方面都是如此。然而，解决方案正在通过过程系统工程开发和启用。虽然一些模型在解释潜在的复杂生物相互作用和模型方面相当复杂，可以模拟和预测生物过程的某些方面，但在构建包含产品和工艺设计的综合框架方面仍然存在不足。模型的使用将有助于从机械原理上理解生物过程，细胞如何生产这些生物制剂，并有助于阐明生物过程生命周期中更好的制造策略。

引用:

1.吴勇，李志强，李志强。重组蛋白在中国仓鼠卵巢(CHO)细胞中表达的细胞培养基:历史、关键成分及优化策略。Biotechnol掠夺．2018年,34(6):1407 - 1426。doi:10.1002 / btpr.2706

2.洪志强，崔德华，朴世勇，等。CHO细胞培养中介质开发的数据驱动和模型指导系统框架。金属底座英格．2022, 73(6): 114 - 123。doi:10.1016 / j.ymben.2022.07.003

3.康野，青木，高岸，等。添加辅酶- q10增强抗体产生。Cytotechnology．2011, 63(2): 163 - 170。doi:10.1007 / s10616 - 010 - 9330 - 9

4.卢勇，金基，沈淑娟，等。辅酶Q10抑制氧化应激增加视神经头星形胶质细胞线粒体质量和改善生物能量功能。细胞死亡．2013; 4(10): 1 - 12。doi:10.1038 / cddis.2013.341

5.拉索尔，米什拉S，尼基塔S, Priyanka P.生物过程控制:当前进展和未来展望。生活．2021; 11(6)。doi:10.3390 / life11060557

6.Sarna S, Patel N, Corbett B, McCready C, Mhaskar P.生物反应器生产单克隆抗体的过程感知数据驱动建模和模型预测控制。Can J Chem Eng．2022.doi:10.1002 / cjce.24752