迈向机器学习引导的CHO生物工艺与培养基优化：提升产物滴度和糖基化水平

《Biotechnology Journal》：Toward Machine Learning-Guided CHO Bioprocess and Media Optimization for Improved Titer and Glycosylation

精准调控生物制造中的关键质量属性（如 titers 和糖基化）是核心挑战，传统实验设计方法难以应对高维非线性参数空间。本研究构建了CHO连续培养糖基化数据集，开发了包含ML模型训练、混合策略特征筛选和组合培养基设计的计算流程，成功预测了终产物 titers（R2≈0.93）和主要糖基化指标（R2≈0.79-0.95），并发现15个关键参数可独立调控糖基化水平。通过主动学习验证，提出的新培养基组合使糖基化降低10%的同时 titers 提升约15%。该研究证明了ML增强的实验设计（ML-DOE）在加速CHO工艺开发中的高效性。

　　

摘要

在生物加工过程中，精确控制关键质量属性（包括滴度和糖基化程度）至关重要。然而，传统的实验设计方法面临着培养基和工艺参数的高维、非线性设计空间的挑战。我们构建了一个以糖链分析为重点的中国仓鼠卵巢（CHO）批次培养数据集，并开发了一套计算工作流程：(i) 用于训练机器学习（ML）模型以预测关键的质量属性；(ii) 应用混合ML与基于知识的策略来筛选可能具有影响的特征；(iii) 生成组合培养基设计方案。所得模型能够直接根据初始培养基组成和工艺参数预测最终滴度（R2 ≈ 0.93）以及主要糖链指标（甘露糖基化、岩藻糖基化、半乳糖基化，R2 ≈ 0.79–0.95），而无需对废弃培养基进行分析。特征筛选从76个候选特征中筛选出20个进行二级验证，其中15个被确认为能够影响滴度和糖基化的关键因素，揭示了与核糖补充无关的糖链效应。最后，我们将该工作流程与机器学习替代模型及模拟退火算法结合，用于概念验证阶段的主动学习，成功提出了一种培养基组成和工艺参数组合，该组合将甘露糖基化程度降低了10%，同时提高了滴度。这些结果共同表明，基于机器学习的实验设计优化（DOE）方法能够加速CHO工艺的开发，并更高效地探索复杂的生物制造领域。

利益冲突

作者声明不存在利益冲突。