细胞培养物的代谢状态的预测制造技术

本发明专利技术涉及一种预测特定细胞类型的细胞的细胞培养物的代谢状态的方法。其包括提供(102)特定细胞类型的细胞的代谢模型(402)，以及在细胞培养物的培养期间的多个时间点中的每个时间点执行以下步骤：接收(106)多个细胞外代谢物的测量浓度和培养基中的测量细胞密度；将所接收的测量值作为输入参数值输入(108)到训练的机器学习程序逻辑MLP(218)；通过MLP预测(110)在未来时间点的细胞外代谢物的细胞外通量(408)；基于所预测的细胞外通量和代谢模型的化学计量方程，执行(112)代谢通量分析，以计算未来时间点的胞内通量。

【技术实现步骤摘要】
【国外来华专利技术】细胞培养物的代谢状态的预测
本专利技术涉及细胞，特别是在细胞培养物中维持的细胞的代谢状态的预测。
技术介绍
近年来，制药行业通过加大对过程分析、监控和控制手段的关注，为提高开发、生产和质量保证过程的效率做出了显著增加的努力。该趋势还特别地影响细胞培养反应器的操作，该反应器用于生产药学上相关的分子，特别是大分子，诸如蛋白质。然而，在药物研究和开发的背景下，对细胞代谢和发酵过程的建模却是一项重大技术挑战：细胞(特别是真核细胞)的代谢具有难以分析模拟或建模的非常复杂的非线性化学反应级联特征。例如，使用代谢通量分析(MFA,metabolicfluxanalysis)分析代谢通量是众所周知的。MFA特别适用于胞内通量(intracellularflux)分布不随时间变化的过程。对于分批生物反应器中的指数生长期或在恒化器中的培养，这可以大约给出。然而，在当今主要使用的补料分批工艺中，细胞暴露于不断变化的环境条件中。因此，胞内通量在工艺期间是变化的。执行单个代谢通量分析，并不足以绘制整个工艺过程中的细胞状态。另外，如果仅描述性地确定生物反应本文档来自技高网...

【技术保护点】
1.一种方法，用于预测特定细胞类型的细胞的细胞培养物的代谢状态，所述方法包括：/n-提供(102)所述特定细胞类型的细胞的代谢模型(402)，所述代谢模型包括多个细胞内和细胞外代谢物以及多个细胞内(410)和细胞外(408)通量，所述代谢模型包括描述所述细胞内(406)代谢物之一与所述细胞外(404)代谢物之一之间的至少一个化学计量关系的化学计量方程；/n-在所述细胞培养物的培养期间的多个时间点的每个时间点：/n○接收(106)在所述时间点测量的多个测量值，所述测量值包括所述代谢模型的多个细胞外代谢物在所述细胞培养物的培养基中的浓度和所述细胞在所述细胞培养物中的测量细胞密度；/n○将所接收的测...

【技术特征摘要】
【国外来华专利技术】20171229 EP 17211217.91.一种方法，用于预测特定细胞类型的细胞的细胞培养物的代谢状态，所述方法包括：
-提供(102)所述特定细胞类型的细胞的代谢模型(402)，所述代谢模型包括多个细胞内和细胞外代谢物以及多个细胞内(410)和细胞外(408)通量，所述代谢模型包括描述所述细胞内(406)代谢物之一与所述细胞外(404)代谢物之一之间的至少一个化学计量关系的化学计量方程；
-在所述细胞培养物的培养期间的多个时间点的每个时间点：
○接收(106)在所述时间点测量的多个测量值，所述测量值包括所述代谢模型的多个细胞外代谢物在所述细胞培养物的培养基中的浓度和所述细胞在所述细胞培养物中的测量细胞密度；
○将所接收的测量值作为输入参数值输入(108)到经训练的机器学习程序逻辑MLP(218)中；
○使用所接收的测量值，通过所述MLP预测(110)未来时间点的细胞外代谢物的细胞外通量(408)，所述未来时间点是接收所述测量值的时间点之后的时间点，其中，所述细胞外通量是所述细胞外代谢物进入细胞的摄取率和/或所述细胞外代谢物从细胞到所述培养基中的释放率；
○使用所预测的细胞外代谢物的细胞外通量和所述代谢模型的化学计量方程执行(112)代谢通量分析，以计算所述未来时间点的胞内通量。


2.根据权利要求1的方法，进一步包括通过机器学习生成MLP，其中，所述生成包括：
-生成训练数据集，其中，所述生成包括：
○在所述特定细胞类型的细胞的至少一个训练细胞培养物的培养期间的多个训练时间点的每个时间点：
■接收在所述训练时间点测量的多个测量值，所述测量值包括所述代谢模型的多个细胞外代谢物在所述至少一个训练细胞培养物的培养基中的浓度和所述细胞在所述至少一个训练细胞培养物中的测量细胞密度；
■接收当前训练时间点的时间指示；以及
■根据在该时间点接收的测量值和在相应的先前时间点接收的测量值来计算所述细胞外代谢物的细胞外通量，其中，所述细胞外通量是所述细胞外代谢物进入所述细胞的摄取率和/或所述细胞外代谢物到所述培养基中的释放率；
-训练MLP，其中，所述训练包括：
○将在所述训练时间点中每一个训练时间点接收的测量值作为输入参数值输入到所述MLP，并将在该训练时间点之后的每个时间点针对该随后时间点计算的细胞外通量作为与所述输入参数值相关联的输出参数值输入到所述MLP；以及
○由所述MLP执行学习过程，使得所述MLP学习基于输入参数值来预测相应的相关联输出参数值；
-将经训练的MLP存储在易失性或非易失性存储介质中。


3.根据权利要求2的方法，其中，生成训练数据集，其中在所述特定细胞类型的细胞的多个训练细胞培养物的培养期间的多个训练时间点中的每个训练时间点，接收测量值和时间规格，并计算细胞外代谢物的细胞外通量，其中所述细胞培养物培养在不同类型的生物反应器中，其中所述生物反应器的类型包括来自以下生物反应器类型的至少两种不同的生物反应器类型：补料分批生物反应器、分批生物反应器、灌注反应器、恒化器和间歇式分批生物反应器。


4.根据前述权利要求中任一项的方法，其中，所述MLP是神经网络或多个神经网络的系统。


5.根据前述权利要求中任一项的方法，其中，所述多个细胞外代谢物的测量浓度分别是：
-所述代谢物的体积相关含量的指示，特别是质量浓度或物质浓度，或
-与所述体积相关含量以线性方式相关或至少近似线性相关的值，特别是经校正或归一化的测量代谢物浓度或细胞外代谢物的测量通量。


6.根据前述权利要求中的一项的方法，其中，所述MLP是多个子MLP的系统，其中，系统中包含的各子MLP已分别进行过预测单个细胞外代谢物的细胞外通量的训练，并且其中这些子MPL被选择性用于预测该单个细胞外代谢物在未来时间点的细胞外通量。


7.根据前述权利要求中任一项所述的方法，其中，所述MLP使用多个细胞外代谢物的测量浓度作为输入参数值用于预测所述细胞外代谢物中的单个细胞外代谢物的细胞外通量，其中，对于要确定其细胞外通量的细胞外代谢物中的至少两个，用作输入参数值的所述多个细胞外代谢物是不同的。


8.根据权利要求7所述的方法，进一步包括：
-在多个时间点上测量所有输入候选代谢物的浓度，其中，所述输入候选代谢物包括在具有所述特定类型的细胞培养物的参考生物反应器中可测量得到的所有细胞外代谢物，或包括所述代谢模型的所有细胞外代谢物；
-针对要预测其细胞外通量的所述细胞外代谢物中的每一个细胞外代谢物，执行选择程序以识别有待用作输入参数值用于预测该单个代谢物的细胞外通量的多个细胞外代谢物，其中，所述选择程序，针对该单个代谢物，相应地包括：
(a)定义第一组细胞外代谢物，所述第一组包括所有候选输入代谢物；
(b)计算所述第一组中的每个细胞外代谢物的第一相关性分数，其中所述第一相关性分数根据该代谢物的测量浓度计算，其中所述第一相关性分数指示，该相应的细胞外代谢物的浓度对于该单个细胞外代谢物的细胞外通量的预测能力；
(c)仅将所述细胞外代谢物中具有最高第一相关性分数的一个细胞外代谢物，从所述第一组转移到仍为空的第二组细胞外代谢物中，从所述第一组中去除该代谢物；
d)计算所述第一组中的每个细胞外代谢物的进一步相关性分数，其中所述进一步相关性分数根据该代谢物的测量浓度以及所述第二组中包含的所有细胞外代谢物的测量浓度来计算，其中所述进一步相关性分数指示，在考虑所述第二组中已经包含的代谢物的情况下，该相应的候选输入代谢物的浓度对于该单个细胞外代谢物的细胞外通量的预测能力；
(e)仅将所述第一组中具有最高的进一步相关性分数的该细胞外代谢物转移至所述第二组中，从所述第一组中去除该代谢物，其中只有在所述第二组纳入该代谢物后，就该单个细胞外代谢物的胞外通量的预测而言，所述第二组不超过其所含代谢物的信息冗余的最大限度时，才发生所述转移；
(f)重复步骤d)和e)，直到在所述第二组不超过所述最大信息冗余限度的情况下不能再将代谢物从所述第一组转移到所述第二组为止；以及
(...

【专利技术属性】
技术研发人员：W·保罗，A·莫尔，S·霍尔奇，
申请(专利权)人：豪夫迈·罗氏有限公司，
类型：发明
国别省市：瑞士;CH