利用机器学习辅助的克隆选择技术来优化细胞培养过程

《Biotechnology Progress》：Machine learning-assisted clone selection for intensified cell culture processes

　　

摘要

由于强化型 fed-batch 过程在空间和时间效率上优于传统的非强化型 fed-batch 过程，因此在生物制造企业中越来越普遍。然而，向强化型制造方式的转变却意外地使得克隆选择变得更加困难。传统的克隆选择方法是基于生产力的经验性筛选，但观察发现，在强化型和非强化型过程中，克隆的生产力排名可能存在显著差异。在没有小规模强化型实验筛选的情况下，用于强化型制造的克隆是根据其在非强化型过程中的表现来选择的。这种不匹配可能导致选择到次优克隆，从而错失了无需额外成本即可增加产量的机会。本研究提出了一种机器学习方法，通过预测和排名克隆的生产力来改进强化型过程中的克隆选择。模型是基于细胞系开发过程中常规收集的非强化型克隆表现数据训练的，以便无缝集成到现有系统中。为了评估模型的泛化能力和模拟实际应用情况，部分表达两种不同单克隆抗体的克隆数据未被用于模型训练，并与传统的克隆选择方法进行了对比测试。排名模型识别出表达第一种单克隆抗体的最高生产力克隆，其滴度比传统方法选择的克隆高出 68.5%；对于第二种单克隆抗体，排名模型识别出第二高生产力的克隆，但其滴度略低。这些结果展示了机器学习模型作为改进强化型生物加工中高生产力克隆选择的实用工具的潜力。

利益冲突声明

作者声明不存在利益冲突。

同行评审

为了保证透明度，与本文相关的同行评审文件可在此链接查看：https://doi.org/10.1002/btpr.88519

第二轮评审
编辑决定函	2026/04/27
编辑1的建议	2026/04/25
第一轮评审
编辑决定函	2026/02/22
编辑1的建议	2026/02/22
评审员4的报告	2026/02/20
评审员1的报告	2026/02/18
评审员2的报告	2026/02/17
评审员3的报告	2026/02/14

数据可用性声明

研究数据未公开共享。