混合模型开发以支持流程理解：一个工业mRNA体外转录案例研究

《Biochemical Engineering Journal》：Hybrid model development to support process understanding: An industrial mRNA in vitro transcription case study

体外转录（IVT）过程优化面临挑战，本研究提出混合模型整合基础知识和机器学习，有效分析DNA批次、温度等因素对mRNA浓度及NTP消耗的影响，验证模型在预测总mRNA、完整/碎片mRNA浓度及pH方面表现优异，揭示镁离子/核苷三磷酸比例和温度对转录效率的显著影响，为快速工艺开发提供新工具。

　　在现代生物技术领域，mRNA（信使核糖核酸）的合成与生产对于疫苗研发、基因治疗以及细胞治疗等多个方向都具有重要意义。特别是随着mRNA疫苗在新冠疫情期间的成功应用，mRNA的规模化生产已成为一个高度关注的研究课题。然而，mRNA的体外转录（In Vitro Transcription, IVT）过程在某些情况下，尤其是对于大型mRNA分子的生产，仍然是一个技术挑战。这不仅涉及到如何高效地合成目标mRNA，还要求在生产过程中对质量进行严格控制，确保最终产物的稳定性和生物活性。因此，如何优化IVT过程，使其在保证产量的同时也能够维持产品质量，成为科研人员和工业界共同关注的问题。

在这一背景下，研究团队提出了一种混合模型（hybrid model）来帮助理解IVT过程的行为特性。该模型结合了现有的基础过程知识和机器学习方法，以实现对mRNA生产过程的更深入分析。传统上，IVT过程的建模主要依赖于两种方式：一种是基于机制的模型，另一种是数据驱动的机器学习模型。机制模型通常能够提供较为准确的化学反应动力学描述，但由于其复杂性，难以快速适应实际生产中可能出现的各种变量变化，如原材料批次间的差异、温度波动等。而数据驱动的模型虽然在处理大量实验数据时表现良好，但往往缺乏对过程演变的深入理解，这意味着在调整工艺参数或原材料时，需要额外的实验来验证模型预测的准确性。

混合模型的出现，为解决上述问题提供了一种新的思路。这种模型不仅能够利用已有的基础过程知识，还能够通过机器学习方法捕捉那些难以用传统机制模型描述的复杂过程特征。例如，在IVT过程中，原材料批次的差异、温度的变化以及混合时间等因素，都会对最终的mRNA产量和质量产生重要影响。而这些因素在传统机制模型中往往难以准确建模，尤其是在缺乏详细化学反应动力学数据的情况下。混合模型通过将这些因素纳入建模过程，不仅提高了模型的预测能力，还增强了其对实际生产环境的适应性。

在本研究中，混合模型被用于特定mRNA序列的IVT过程分析。该模型在训练集和测试集上的表现均较为出色，能够准确预测总mRNA浓度、完整/断裂mRNA、NTP（核苷三磷酸）浓度以及pH值的变化趋势。值得注意的是，尽管pH值在当前实验条件下未被控制，但模型仍然能够捕捉到其变化对整个反应过程的影响。此外，研究还通过“what-if”模拟和Shapley值分析，对模型的预测结果进行了进一步探讨，揭示了关键工艺参数对最终mRNA产量的显著影响。例如，镁离子与NTP分子的比例变化对转录速率的影响可达30%，而温度的变化则可能导致转录速率和mRNA断裂速率分别发生150%和175%的显著变化。这些发现对于优化IVT过程具有重要的指导意义。

混合模型的一个重要优势在于其灵活性。它不仅可以整合已有的过程知识，还能够通过机器学习方法对新的变量进行建模。这种结构使得混合模型在面对原材料批次差异、工艺参数调整等实际生产问题时，具有更高的适应性和预测准确性。同时，由于混合模型不需要对化学反应动力学进行复杂的推导和参数优化，因此在开发和应用过程中更为简便。这使得它特别适合用于工艺开发阶段，尤其是在时间紧迫的情况下，能够快速提供有价值的工艺优化建议。

此外，混合模型的另一个重要特点在于其对过程演变的描述能力。与传统的数据驱动模型相比，混合模型不仅能够预测最终的mRNA产量，还能够模拟整个反应过程中的动态变化。这种能力对于理解IVT过程的内部机制具有重要意义，同时也为工艺优化提供了更全面的视角。例如，通过模拟不同温度条件下的反应过程，研究人员可以更直观地看到温度变化如何影响mRNA的合成和降解，从而制定出更合理的工艺控制策略。

在实际应用中，混合模型的构建和使用需要依赖于大量的实验数据。这些数据不仅包括mRNA的产量和质量信息，还包括过程参数如温度、混合时间、原材料批次等的变化情况。通过对这些数据的分析和建模，研究人员能够更准确地捕捉到IVT过程的复杂性，并为工艺优化提供科学依据。此外，混合模型的可扩展性也是一个重要的优点。在未来的工艺开发中，可以通过添加新的输入变量来进一步完善模型，从而支持更大规模的生产或针对不同mRNA分子的定制化工艺设计。

在实验设计方面，本研究采用了自动化微反应器系统来执行IVT反应，并通过机器人液体处理系统对反应过程中的样本进行采集和分析。这种高度自动化的实验方法不仅提高了实验的效率和可重复性，还减少了人为操作带来的误差。通过对不同实验条件下的数据分析，研究人员能够更全面地了解IVT过程的各个影响因素，并据此构建出更加准确的混合模型。这种实验方法的引入，标志着在mRNA生产过程中，从传统的手工操作向高度自动化的实验平台转变，为未来的工艺优化和规模化生产奠定了基础。

从模型的应用角度来看，混合模型在IVT过程中的成功应用，不仅展示了其在生物技术领域的潜力，也为其他类似的过程建模提供了借鉴。例如，在上游生物工艺中，混合模型已经被广泛用于描述和优化复杂的生物反应过程。这种模型的灵活性和适应性，使其能够在不同应用场景中发挥作用，为工艺开发和优化提供支持。特别是在面对大规模生产需求时，混合模型能够帮助研究人员快速评估不同工艺参数的组合效果，从而减少实验次数，提高开发效率。

本研究的结论表明，混合模型在IVT过程中的应用具有显著的优势。它不仅能够准确预测mRNA的产量和质量，还能够揭示关键工艺参数对反应过程的影响。这种模型的提出，为未来mRNA生产的工艺优化提供了新的工具和方法。通过结合机制模型和机器学习模型的优点，混合模型能够在保持模型预测准确性的同时，降低对实验数据的依赖程度，从而在实际生产中发挥更大的作用。此外，混合模型的结构也为后续的工艺开发活动提供了便利，使得研究人员能够在较短时间内探索不同因素对mRNA产量的影响，进而制定出更加科学和高效的生产方案。

在工业应用方面，混合模型的提出对于推动mRNA生产技术的标准化和规模化具有重要意义。随着mRNA疫苗和治疗产品的市场需求不断增长，如何在保证产品质量的前提下，提高生产效率和降低成本，成为企业面临的关键挑战。混合模型的应用，不仅能够帮助企业在工艺开发阶段快速识别影响产品质量的关键因素，还能够为后续的工艺优化和放大提供可靠的预测依据。这使得混合模型在工业界具有广泛的应用前景，特别是在需要快速响应市场变化的领域。

总的来说，本研究提出的混合模型为IVT过程的理解和优化提供了一个全新的视角。通过结合基础过程知识和机器学习方法，该模型能够在保持预测准确性的同时，提高对实际生产条件的适应性。其在多个工艺参数组合下的良好表现，表明它能够有效捕捉IVT过程的复杂性，并为工艺优化提供科学支持。此外，混合模型的灵活性和可扩展性，使其在未来的工艺开发中具有重要的应用价值。随着生物技术的不断发展，混合模型有望成为mRNA生产过程中不可或缺的工具，为推动该领域的发展做出更大贡献。