基于台式核磁共振波谱结合机器学习的CHO细胞培养过程多组分监测

《Journal of Pharmaceutical Innovation》：Multi-component Monitoring of CHO Cell Culture Processes Using Benchtop NMR Spectroscopy Combined with Machine Learning

**摘要****目的**监测复杂的生物工艺对于确保生物制药制造中的产品质量至关重要。本研究系统评估了台式¹H NMR（80 MHz）与机器学习相结合的潜力，作为一种用于生物工艺监测的稳健过程分析技术（PAT）工具。**方法**共分析了来自八个工业化规模（1,500 L）CHO-K1细胞培养批次的128个样本，这些批次生产曲妥珠单抗生物类似药，获取了80 MHz和600 MHz的¹H NMR光谱。其中六个批次作为训练集，两个批次作为测试集。采用5折交叉验证构建了Lasso、Ridge、PLS和LightGBM模型，用于预测36种代谢物、六种金属离子、活细胞密度（VCD）、活率和抗体滴度。**结果**使用80 MHz NMR的Lasso和PLS模型对36种代谢物实现了优异的预测效果（R² > 0.90，RPD > 3.3），其性能与600 MHz的结果相当。此外，本研究所建立的框架通过利用生物相关性，实现了对实验条件下无法被¹H NMR直接检测的指标的间接监测，包括抗体滴度、活细胞密度和金属离子。值得注意的是，80 MHz的Lasso模型在测试集上预测抗体滴度时表现优于其600 MHz对应模型（R² = 0.959），这得益于小样本建模中数据复杂度的降低。特征重要性分析表明，Lasso模型捕获了化学上有意义的信号，与标准代谢物峰位一致。**结论**台式NMR与Lasso回归相结合，为工业化CHO细胞培养提供了一种低成本、信息丰富且可解释的在线监测工具。该方法尤其适用于小样本场景，并支持生物制药制造中的多参数工艺指纹图谱分析。