GlycoMAC：用于哺乳动物细胞培养中跨条件糖基化预测的多尺度代谢-糖基化框架

《Biotechnology and Bioengineering》：GlycoMAC: A Multiscale Metabolic-Glycosylation Framework for Predicting Glycosylation Across Conditions in Mammalian Cell Cultures

CHO细胞培养中的抗体生产力和糖基化质量源于动态演变的代谢环境，但现有模型通常在孤立或单一尺度上运行。在此，研究人员提出一个连接分子、细胞和宏观尺度的多尺度机制框架，以预测输入如何塑造生物过程轨迹。该框架将代谢和糖基化的单细胞动力学模型与随机群体模型相结合，后者捕捉生长、生产和衰退状态之间的环境依赖转变。为表征代谢适应，研究人员引入氧摄取率（oxygen uptake rate, OUR）的累积变化，这是一种基于轨迹的生物标志物，量化培养期间经历的总代谢调整。与群体平均方法不同，该模型将细胞分辨的代谢状态——包括氨调节的高尔基体pH、核苷酸糖（nucleotide sugar）可用性、锰辅因子（manganese cofactor）和合成速率——传播至糖链加工（glycan processing）。该框架使用在靶向氨胁迫、匹配对照条件以及具有更严格控制的金字塔喂养（pyramid-feeding）策略下生产VRC01 IgG₁的CHO-K1补料分批（fed-batch）培养进行评估。它准确重现了细胞生长、代谢物、生产力和收获糖基化轨迹，包括氨胁迫下G0F丰度增加和半乳糖基化降低。通过机制性地将工艺条件与细胞状态动态和糖基化结果联系起来，该框架为数字生物加工（digital bioprocessing）、预测性生物制造（predictive biomanufacturing）和先进过程控制（advanced process control）提供了统一基础。

论文主体解读：

中国仓鼠卵巢（Chinese hamster ovary, CHO）细胞是重组治疗性蛋白，尤其是单克隆抗体（monoclonal antibodies, mAbs）的主要哺乳动物生产平台，因其可放大并支持正确蛋白折叠、组装和复杂翻译后修饰。在补料分批（fed-batch）CHO生物制造中，抗体生产力和糖基化是动态演变代谢环境的耦合结果，而非独立过程终点。喂养策略、底物耗竭、副产物积累以及pH和溶解氧（dissolved oxygen, DO）等过程控制持续重塑胞外条件和胞内生理状态，从而调节细胞生长、底物摄取、中心碳代谢、氨和乳酸形成、抗体合成以及高尔基体（Golgi）驻留糖基化通路。这些耦合形成核心建模挑战：预测过程输入如何跨分子、细胞和宏观尺度驱动代谢状态演化，并最终决定培养生产力和糖基化关键质量属性（critical quality attributes, CQAs）。氨积累可扰动胞内和Golgi pH，改变糖基化动力学；营养和氨基酸可用性调节末端糖链加工所需的核苷酸糖前体池。现有非结构动力学模型、结构化胞内代谢模型、化学计量与通量平衡框架、混合机制–数据驱动模型和单细胞多尺度培养模型虽推进了过程理解，但多数未显式将代谢状态演化传播至详细Golgi糖基化加工。机制糖基化模型虽描述Golgi糖链成熟，但许多培养耦合框架仍依赖确定性、平均或简化代谢状态，限制捕捉单细胞代谢异质性、异步相变以及抗体合成和Golgi微环境细胞间变异如何共同产生群体水平糖型分布。糖基化本身具有微异质性，且重组CHO培养在生产力、基因表达和生理状态上存在群体异质性，即使克隆衍生群体亦然。因此，相同群体平均代谢物水平可能对应不同细胞状态分布，导致不同糖基化结果。为填补该空白，研究人员开发随机、多尺度代谢–糖基化框架。

研究人员开展了自下而上的单细胞到群体代谢–糖基化框架研究，将随机单细胞代谢与细胞特异性Golgi N-连接（N-linked）糖基化耦合，并聚合异质输出以预测培养动态和糖型分布。单细胞层面，每个细胞由随机代谢状态和离散代谢相描述，相依赖通量控制中心碳和氨基酸代谢、氨生产、生物量生长和抗体合成。概率代谢相变模型捕捉累积代谢调整，并考虑异步状态进展和表型异质性。机制Golgi N-连接糖基化模型通过氨介导的Golgi pH、核苷酸糖前体可用性、锰可用性和抗体合成率耦合到细胞特异代谢轨迹。群体水平活细胞密度（viable cell density, VCD）、胞外代谢物浓度、抗体滴度和糖型分布通过聚合异质单细胞输出获得。框架用重组CHO-K1补料分批培养生产VRC01 IgG₁在三种条件评估：基线、氨胁迫、金字塔喂养且更严格过程控制。模型性能通过稳健预测培养动态并机制性传播过程输入至产量和糖基化结果评估，包括G0F丰度、末端和总半乳糖基化、唾液酸化。主要贡献包括：建立自下而上的单细胞到群体代谢–糖基化框架；引入由OUR动态驱动的过程敏感代谢相变机制；跨氨胁迫、对照和金字塔喂养展示机制传播；实现不确定性感知预测。

关键技术方法不超过250字：多尺度混合建模；单细胞代谢采用相依赖化学Langevin方程（Chemical Langevin Equation, CLE）和分层随机微分方程（stochastic differential equation, SDE）表征群体异质性；代谢相变由氧摄取率（oxygen uptake rate, OUR）累积变化驱动的连续时间随机跳跃过程；机制Golgi N-连接糖基化模型改编自Villiger and Scibona et al.，通过氨依赖Golgi pH、核苷酸糖转运、锰依赖糖基转移酶动力学等耦合；群体水平跳–扩散模型与Euler–Maruyama数值积分、独立集合实现和95%预测区间进行不确定性量化；参数估计采用分层校准、敏感性与共线性分析筛选49个影响参数、有界正则化非线性最小二乘和Trust Region Reflective（TRF）算法。样本队列来源为重组CHO-K1细胞系（clone A11）表达抗HIV单克隆抗体VRC01（IgG₁），在ambr250生物反应器中开展三组补料分批实验：Case A对照、Case B氨胁迫（接种后12 h加入NH₄Cl增加10 mM氨）、Case C金字塔喂养与精化比例–积分–微分（proportional-integral-derivative, PID）控制；相关数据来源包括Elliott et al.、Harcum et al.、Synoground et al.和Klaubert et al.等研究。

研究结果：
4.1 Cell Culture State Dynamics Under Perturbations（扰动下细胞培养状态动态）。通过比较三组补料分批培养曲线发现，Case C达到最高峰值VCD，而Cases A和B处于相似的较低范围。Cases A与B相似表明氨胁迫主要不改变总体生长，而扰动代谢和生产力；Case C反映增强生长后晚期代谢负担。氨谱区分了Case B外源施加的氨胁迫与Case C代谢生成的氨积累。营养和氨基酸谱显示条件依赖代谢调节；Case B积累较高晚期谷氨酸，Case C尽管最高VCD仍维持较低谷氨酸。IgG谱显示生产力依赖生长和代谢状态；Case C最终IgG最高，Case B最低但VCD与Case A相近，表明产品形成不能仅由VCD表示。对数VCD分段线性拟合显示不同条件生长转变时间不同，因此采用条件特异生长相窗口。相分辨速率总结显示早期指数期生长率最高，后期下降，衰退期出现负值；营养消耗率早期最强后减弱或改变方向；IgG、氨和谷氨酸速率强条件依赖，表明生产力和副产物受培养阶段和扰动条件而非单独VCD支配。pH轨迹显示Case C接近中性且较稳定，Cases A和B变化较大。总结出三条培养状态演化路径，支持随机多尺度代谢–糖基化框架。

4.2 Stochastic Cell-Culture Model Captures Perturbation-Dependent Dynamics（随机细胞培养模型捕捉扰动依赖动态）。研究人员用条件特异初始条件和喂养计划模拟，共享机制结构，参数仅用基线Case A估计，Cases B和C作为扰动测试且不重新估计动力学参数。模型捕捉三组主要培养状态动态：Case A再现VCD早期扩展、平台样转变和后续下降，胞外代谢物趋势包括喂养相关葡萄糖波动、早期谷氨酰胺耗竭后补充、谷氨酸积累、晚期氨增加和mAb滴度积累。Case B捕捉初始氨升高及其后续演化，模拟VCD与Case A大致相当，符合实验观察；再现氨、谷氨酸和mAb谱差异，说明扰动影响代谢状态和有效生产力而不一定造成VCD大分离。Case C捕捉更强细胞扩增、延长高生长和抗体积累，代谢物预测再现喂养相关模式，尽管峰值VCD略低估，但捕捉金字塔喂养主要动态差异。模型再现平滑生物动态和喂养引发的离散变化。与代谢相变设计一致：累积氧利用变化将喂养策略、氨扰动和氧利用动态与条件依赖代谢进展联系；条件特异生长率在相应阶段可比，表明条件差异主要驱动过渡时机而非各阶段内生长动力学根本不同。

4.3 Coupled Metabolism–Golgi Model for Predicting Glycosylation Profiles（耦合代谢–高尔基体模型预测糖基化谱）。评估预测培养状态能否传播通过机制糖基化模型复现产品质量。模型使用氨依赖Golgi pH、核苷酸糖可用性、锰可用性和抗体合成率作为输入，并与Day 14测量比较。糖基化子模型仅用Case A收获糖基测量校准，然后无再估计应用于Cases B和C，作为跨条件独立评估。框架复现基线、氨胁迫和金字塔喂养主要糖基化差异，并捕捉无半乳糖基化、末端半乳糖基化、总半乳糖基化和唾液酸化之间的协调变化。Case A再现总体平衡；Case B实验显示最高无半乳糖基化比例和最低总半乳糖基化，模型再现G0F升高和末端、总半乳糖基化降低，支持氨–Golgi pH耦合机制。Case C维持较高总半乳糖基化并实现最高末端半乳糖基化，模型捕捉该增加；这与增加喂养改变营养可用性、代谢活性和核苷酸糖前体供应一致，晚期氨积累可能限制有利末端加工。总体表明框架通过上游代谢状态动态而非条件特异调节Golgi动力学参数捕捉扰动依赖糖基化；单一糖基化参数集跨条件，CQA差异源于氨暴露、营养可用性、代谢相进展、氧利用和抗体生产变化。

4.4 Independent Trajectory Comparison and Uncertainty Propagation Analysis（独立轨迹比较与不确定性传播分析）。研究人员进行两项分析：预测糖基化轨迹与文献独立时间过程测量定性比较；随机代谢变异通过整合框架传播量化培养状态和糖基化预测不确定性。主要验证终点为Day 14收获糖基化谱，代表累计胞外抗体池和上游生物制造主要产品质量结果。因收获测量不直接评估中间糖基化动态，已发表时间过程研究提供互补轨迹合理性证据。Case C培养轨迹与三个文献数据集比较，其中Sumit et al.的HiPDOG条件与Case C培养状态最接近。比较显示所有参考研究报告培养期间G0F增加尤其在后期；模型再现末端和总半乳糖基化升降模式以及唾液酸化逐渐下降。这些为定性轨迹合理性而非定量外部验证。集合模拟显示不确定性从代谢通量波动和概率相变传播到培养尺度观测和下游糖基化CQA。VCD预测区间较窄，胞外代谢物更宽，Case C葡萄糖和谷氨酸尤其，氨后期不确定性增加。糖基化CQA不确定性呈时间依赖：早期较窄，中后期尤其Day 8–12扩大，当G0F急剧增加和半乳糖基化、唾液酸化快速下降时，表明变异在快速糖基化状态演化期放大而非均匀累积。多数实验测量落在预测区间内。

讨论部分总结：该研究提出整合非线性、状态依赖代谢和糖基化的多尺度CHO培养动态框架，通过耦合单细胞状态、相变和Golgi加工。模块结构通过连接自下而上胞内动态与自上而下过程控制（如喂养和pH调节）实现跨过程条件机制建模。5.1多尺度代谢–糖基化耦合表明，单细胞层面每个细胞的动态代谢状态和相共同决定通量活动、氨生产、生产力和糖基化前体可用性；群体输出由异质单细胞轨迹聚合，保留胞内异质性。糖基化结果应解释为协调CQA变化而非独立糖型拟合。5.2氧利用驱动相进展表明，培养时间本身不足以捕捉代谢状态演化；相分辨分析显示条件差异主要在代谢状态转变时机，OUR驱动转变提供紧凑可测代理，连接常规过程测量与潜在代谢状态。5.3不同氨环境解释条件依赖糖基化响应：Case B外源氨胁迫增加G0F并降低半乳糖基化；Case C氨积累随晚期高密度和强化喂养逐渐发生，糖基化结果反映增强前体供应与氨相关末端加工限制之间动态平衡，喂养和氨对糖基化影响不能独立考虑。5.4不确定性感知预测、监测和控制意义：模拟显示不确定性跨尺度不均匀传播；VCD较受限，胞外代谢物和糖基化CQA不确定性更大，尤其在糖基化对代谢状态变化最敏感期。这提供超越确定性轨迹的信息，识别敏感期，为不确定性感知监测、实验设计和未来质量感知模型预测控制提供基础。5.5局限与未来：模型评估限于少数过程条件和糖基化数据集；胞内和Golgi机制简化；核苷酸糖池未直接测量而是文献机制关系推断，因此一些糖基化参数为有效而非唯一可识别；糖基测量仅收获Day 14，不捕捉中间动态；未来需更广验证、胞内核苷酸糖、代谢物和多组学测量以及纵向糖基采样。

研究结论翻译：总体而言，结果表明CHO培养性能和抗体糖基化共同受过程驱动代谢状态演化支配。通过整合随机单细胞代谢、群体聚合、OUR驱动相变和机制Golgi糖基化，该框架提供机制性、不确定性感知基础，用于预测过程扰动如何影响糖基化CQA。未来工作可将该框架与基于模型的强化学习耦合，实现端到端、质量感知控制，同时改善产量和CQA一致性。