《Biotechnology Progress》：Innovative methodology for flexible monitoring of various bioprocesses by using pre-existing Raman data coupled with automated transfer learning technique
编辑推荐：
本文提出了一种创新的拉曼光谱监测方法，通过动态正交投影（DOP）算法实现跨过程（细胞系、培养基、仪器参数同步变化）的化学计量模型自动迁移。该方法仅需1-2批目标过程数据即可将现有模型适配至新工艺，使葡萄糖、乳酸等关键参数的预测误差降至10%以下，显著降低模型重建成本，为生物制药过程分析技术（PAT）的快速部署提供新范式。
1 引言
过去20年间，生物制药行业日益聚焦于治疗性重组蛋白的生产，其中单克隆抗体（mAbs）占据近半数市场份额。监管机构通过质量源于设计（QbD）框架推动生产过程优化，要求明确关键质量属性（CQA）与关键工艺参数（CPP），而过程分析技术（PAT）中的拉曼光谱凭借无损、实时监测优势成为重要工具。然而，传统拉曼模型需针对特定工艺进行耗时耗力的校准，且无法直接跨条件（如细胞系、培养基、仪器差异）应用。现有校准转移方法如分段直接标准化（PDS）仅解决仪器变异，而通用模型开发仍受限于生物过程复杂性。本研究首次将动态正交投影（DOP）算法与自动迁移学习结合，实现跨细胞系（CHO-ZN至CHO-DP12）、培养基（EX-CELL?Advanced至HyClone? ActiPro?）、仪器参数（积分时间30秒至20秒）的模型迁移，无需人工调参即可提升监测效率。
2 材料与方法
2.1 输入过程模型构建
基于8个CHO-ZN细胞灌流培养批次（EX-CELL?Advanced培养基，3-L生物反应器），使用ProCellics?拉曼分析仪（785 nm激光，350 mW）采集光谱，并通过BioProfile?FLEX2分析仪获取葡萄糖、乳酸、谷氨酰胺及活细胞密度（VCD）离线参考值。光谱预处理包括标准正态变量（SNV）归一化、Savitzky–Golay一阶导数（5点窗口）及特征谱区（350-1775 cm?1、2800-3000 cm?1）筛选。
2.2 目标过程与迁移设置
目标过程采用CHO DP-12#1934细胞与HyClone? ActiPro?培养基，在2-L生物反应器中进行3批次批培养与3批次灌流培养（补料CellBoost 5）。拉曼采集参数调整为20秒积分时间，离线分析使用GALLERY生化分析仪与Vi-CELL细胞计数器。两过程在细胞系、培养基、补料策略、反应器参数及分析仪器均存在差异（表1）。
2.3 迁移学习与模型验证
通过DOP算法将输入过程光谱数据投影至与目标过程共享的正交空间，过滤非目标代谢物变异。迁移学习模块自动优化DOP超参数，并基于1-2批目标过程数据重构偏最小二乘（PLS）模型。模型性能以预测均方根误差（RMSEP）和相对误差（RE）评估，其中RE需低于离线分析仪容忍阈值（10%）。
3 结果与讨论
3.1 批培养过程模型迁移
设计空间（DS）分析显示目标过程的谷氨酰胺初始浓度超出输入过程范围，预示其迁移难度。主成分分析（PCA）表明两过程光谱在PC1（89.2%方差）受细胞密度与抗体产量驱动，PC2（5%方差）凸显谷氨酰胺差异。直接应用输入过程模型时，葡萄糖与乳酸预测趋势一致但存在偏移（RE分别为49%、15%），而VCD与谷氨酰胺预测失效（RE>60%）。经单批次迁移学习后，葡萄糖与乳酸RE降至9%以下，VCD改善至12%-14%，但谷氨酰胺RE仍高于37%。增加第二批数据迁移后，VCD监测精度进一步提升（RE=5%），谷氨酰胺在浓度低于9 mM时准确性改善，证实DS匹配是迁移成功的前提。
3.2 灌流培养过程模型迁移
直接监测时葡萄糖预测RE达70%，谷氨酰胺出现负值。单批次迁移后葡萄糖与VCD监测精度显著提升（RE分别降至6%、7%），但乳酸因批次间产量差异（Fed-Batch 2较Fed-Batch 1高35%）仍存在误差。双批次迁移进一步将乳酸RE控制在9%，但VCD因第三批生物变异出现精度波动。研究过程中基于迁移模型实现了葡萄糖浓度自动控制，验证了方法在实时工艺优化中的实用性。
4 结论
本研究证实DOP驱动的迁移学习可显著降低拉曼模型在新工艺中的部署成本。该方法对葡萄糖、乳酸和VCD的监测误差可控制在10%以内，而谷氨酰胺需结合专用PLS模型优化。未来设备商可预置模型库，用户通过少量批次数据快速适配，加速PAT技术在生物制造中的推广应用。
