缩小参数以设计在小规模下的微生物的实验及板模型以改进对在更大规模下的性能的预测制造技术

提供用于设计在第一规模下的生物体的实验以产生用于预测在第二更大规模下的所述生物体的性能的第一规模性能数据的系统、方法及计算机可读媒体。所述设计包含至少部分地基于第二规模条件对在所述第二规模下的生物体的性能参数的贡献来确定第一规模筛选条件。所述第一规模筛选条件包含无法在第一规模下复制的第二规模条件的一或多个代理。所述设计至少部分地基于在所述第二规模下的所述生物体的代谢的计算机建模来确定第一规模筛选参数。代谢的计算机建模来确定第一规模筛选参数。代谢的计算机建模来确定第一规模筛选参数。

【技术实现步骤摘要】
【国外来华专利技术】缩小参数以设计在小规模下的微生物的实验及板模型以改进对在更大规模下的性能的预测
[0001]相关申请案的交叉参考
[0002]本申请案主张2019年5月8日申请的第62/844,975号美国临时申请案的优先权的权益。本申请案相关于：2018年11月9日申请的第PCT/US18/60120号国际申请案(第WO 2019/094787号公开案)(“传递函数(Transfer Function)申请案”)，其主张2017年11月9日申请的第62/583,961号美国临时申请案的优先权的权益；2017年4月26日申请的第PCT/US2017/029725号国际申请案(第US 2017/0316353号美国专利公开案)(“密码子(Codon)申请案”)，其主张2016年4月27日申请的第15/140,296号美国申请案的优先权的权益；第9,988,624号美国专利(“HTP专利(HTP patent)”)；及第PCT/US2018/057583号国际申请案(第WO/2019/084315号公开案)，其主张2017年10月26日申请的第62/577,615号美国申请案的优先权。所有前述内容的全文特此以引用的方式并入本文中。


[0003]本公开大体上涉及微生物的高通量(throughput)基因组工程，且更特定来说涉及设计在第一(例如，板)规模下的微生物的实验以支持在第二更大规模下的生物体的性能的建模，以便实现在第一规模下的生物体的有效筛选。

技术介绍

[0004]背景部分中所论述的主题不应仅仅因为其在背景部分中被提到而被假设为现有技术。类似地，背景部分中所提到或与背景部分的主题相关联的问题不应被假设为先前已在现有技术中认识到。背景部分中的主题仅仅表示不同方法，所述方法本身也可对应于所主张技术的实施方案。
[0005]微生物工程实现新颖化学品、先进材料及药品的产生。菌株设计公司代表本身或第三方可修饰先前所描述的DNA片段以通过改进例如产率、生产力、生长速率及滴度的输出性质来增强微生物宿主的代谢产生。
[0006]一种优化未被完全理解的系统(例如活细胞)的性能的方法是测试尽可能多的不同遗传修饰且凭经验确定哪些遗传修饰表现最好。由于在与工业生产相关的规模下进行测试修饰通常是昂贵且耗时的，因此大规模测试修饰的通量是非常低的。因此，本公开的受让人进行小规模、高通量筛选以从大量修饰当中快速地标识最好的性能候选者。然而，为了使这种方法成功，必须存在一种从较小规模性能预测较大规模性能的可靠方法。作为实例，规模范围从具有许多孔的小板(例如，每孔200μL)到具有较少孔的较大板，再到实验台规模(bench
‑
scale)罐(例如，200ml到10升)，再到商业/工业大小罐(例如，100升到500,000升)。
[0007]其中此类方法已被广泛应用的
是在制药行业中用于标识新的且有用的药物。可首先在测定中体外筛选数千个候选分子的活性，预期其作为体内活性的预测代理。应用统计方法来确定最好的表现者(参见例如马洛(Malo)等人的“高通量筛选数据分析中的统计实践(Statistical practice in high
‑
throughput screening data analysis)”，
《自然生物技术》24:167
‑
175(2006))，接着将所述最好的表现者用于更昂贵、更大规模的实验中，所述实验可包含小鼠及人类的体内测试。
[0008]然而，当针对期望性质筛选数千个微生物时，要在板级的筛选中使用的合理有前景的性能参数及条件的有效确定对于实现在更大规模下的可靠预测变得关键。
[0009]德尔维涅2017概括学术提出的解决方案，那些解决方案的进展及对放大挑战的思考如下：“生物经济正处于从创新到商业化的过渡阶段。预期生物过程行业将越来越多地向市场提供大量、高质量且有成本竞争力水平的生物产品。这需要新的大规模生物过程的完美启动及运行过程的持续改进。发酵放大及操作可从三个领域的最新进展中受益：1.缩小模拟器的计算驱动设计，2.组学驱动的代谢工程，及3.群体异质性的感知及理解。这些领域的一体化需要一种与大数据及模拟现实框架联系起来的统一计算方法，如今其轮廓变得清晰可见”。F.德尔维涅等人的微生物生物过程的放大/缩小：对旧问题的现代解读(Scale
‑
up/Scale
‑
down of microbial bioprocesses:a modem light on an old issue)，《微生物生物技术》2017年6月；10(4):685
‑
687。
[0010]吉诺玛蒂卡的通过生物工程解决方案驱动创新(Driving Innovation Through Bioengineering Solutions)(日期未知)(“Genomatica”)描述设计化解放大到商业规模的风险的实验室规模的“缩小”实验。吉诺玛蒂卡描述开发商业规模发酵罐的预测模型，及将微生物的代谢与反应器设计联系起来，及在大规模条件下优化微生物及发酵过程。然而，吉诺玛蒂卡未教授在板规模下的高通量筛选或开发实验，且因此未认识到在开发板的筛选条件中的挑战。

技术实现思路

[0011]为了测试数千个菌株变体，受让人采用执行可预测在较大规模下的菌株变体性能的数千个小规模实验的工厂过程。板模型是实现迅速地测试数千个菌株变体的工厂过程的体现。开发板模型是缩小较大规模过程与优化较大规模的制造过程之间的微妙平衡。
[0012]本公开的实施例使用结构化且分析性的方法来分析大规模(例如，生产规模、实验台规模)发酵过程而缩小(及随后放大)生物过程，且从大规模直接缩小成96孔板的高通量筛选。根据本公开的实施例，这种方法是基于通过发酵过程的彻底特性化来理解关键性能指标(“KPI”)的关键驱动参数。本公开的实施例使用性能量度的分析及建模以及其与生物过程中的变化环境的相互作用来量化影响微生物的性能的各种因子的影响。
[0013]本公开的实施例实现具有>0.33的预期阳性预测值的96孔滴定板中的数千个菌株的筛选，其与具有实验台规模性能的板进行比较。选定的命中成功地向上传递到商业规模，这表明预测从微升规模到数百立方米商业规模的性能预测的成功。
[0014]本公开的实施例设计实验且开发物理板模型，其是用作传递函数的输入以对较大规模(例如，实验台规模罐)性能进行建模的实验条件及协议集。
[0015]本公开的实施例采用多目标优化(“MOO”)来减少分析时间且增加板模型开发的效率。根据本公开的实施例，MOO可使用响应面方法(“RSM”)来实施，且可采用度量、板罐偏差来快速地筛选实验条件参数(例如，培养基成分、接种量)及它们的值以优化板模型进行操作。本公开的实施例使用优化生物体的生理学量度(例如，pH、葡萄糖、生物质)且考虑具有作为罐中的产率及生产力的代理的板规模测定的需要的标准化可量化方法。此外，其支持
本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种设计在第一规模下的生物体的实验以产生用于预测在更大的第二规模下的所述生物体的性能的第一规模性能数据的计算机实施方法，所述方法包括：a.至少部分地基于第二规模条件对在所述第二规模下的生物体的第一菌株的性能参数的贡献来确定第一规模筛选条件，其中所述第一规模筛选条件包含无法在第一规模下复制的第二规模条件的一或多个代理；b.至少部分地基于在所述第二规模下的所述生物体的代谢的计算机建模来确定第一规模筛选参数；及c.设计用于在所述第一规模筛选条件下至少部分地基于所述第一规模筛选参数来实验性地筛选所述生物体的第二菌株的实验。2.根据权利要求1所述的方法，其进一步包括产生所述第二菌株的第一规模性能的第一规模统计模型，且使用所述第一规模统计模型来预测在第三规模下的所述第二菌株的性能。3.根据权利要求2所述的方法，其中所述第三规模与所述第二规模是相同的。4.根据权利要求2或权利要求3所述的方法，其中设计实验包含至少部分地基于所述第二菌株的所述经预测第三规模性能来筛选所述第二菌株。5.根据前述权利要求中任一权利要求所述的方法，其中确定第一规模筛选条件进一步至少部分地基于从发酵建模确定的环境条件。6.根据前述权利要求中任一权利要求所述的方法，其中确定第一规模筛选条件进一步至少部分地基于从在大于所述第二规模的第三规模下的所述生物体的发酵建模确定的环境条件。7.根据前述权利要求中任一权利要求所述的方法，其中所述第一规模是处于板的规模，且所述第二规模是处于实验台罐的规模。8.根据前述权利要求中任一权利要求所述的方法，其中所述第一规模是处于包括孔的板的规模，其中每一孔具有在50到200微升的范围内的容积，且所述第二规模是处于实验台罐的规模，具有在200ml到10升的范围内的容积。9.根据前述权利要求中任一权利要求所述的方法，其中确定第一规模筛选参数包括确定对关键性能指标(“KPI”)的贡献高于贡献阈值的第二规模性能参数。10.根据前述权利要求中任一权利要求所述的方法，其中确定第一规模筛选参数包括基于第二规模性能参数改进KPI的性能的潜力来确定所述第二规模性能参数。11.根据前述权利要求中任一权利要求所述的方法，其进一步包括确定在所述第一规模下共同优化所述第一规模筛选参数的所述第一规模筛选条件的最优值，其中设计实验包括设计用于响应于围绕所述最优筛选条件值的一系列筛选条件值而实验性地确定所述第二菌株的第一规模性能的实验。12.根据前述权利要求中任一权利要求所述的方法，其进一步包括确定在所述第二规模下共同优化所述第一规模筛选参数及板罐偏差的所述第一规模筛选条件的最优值，其中设计实验包括设计用于响应于围绕所述最优条件值的一系列筛选条件值而实验性地确定所述第二菌株的第一规模性能的实验。13.根据前述权利要求中任一权利要求所述的方法，其进一步包括控制实验的执行以使用所述第一规模筛选条件及所述第一规模筛选参数来筛选在所述第一规模下的所述第
二菌株。14.根据前述权利要求中任一权利要求所述的方法，其中所述第一菌株与所述第二菌株是相同的。15.一种用于设计在第一规模下的生物体的实验以产生用于预测在更大的第二规模下的所述生物体的性能的第一规模性能数据的系统，所述系统包括：一或多个存储器，其存储指令；及一或多个处理器，其可操作地耦合到所述一或多个存储器，以执行所述指令以引起所述系统：a.至少部分地基于第二规模条件对在所述第二规模下的生物体的第一菌株的性能参数的贡献来确定第一规模筛选条件，其中所述第一规模筛选条件包含无法在第一规模下复制的第二规模条件的一或多个代理；b.至少部分地基于在所述第二规模下的所述生物体的代谢的计算机建模来确定第一规模筛选参数；及c.设计用于在所述第一规模筛选条件下至少部分地基于所述第一规模筛选参数来实验性地筛选所述生物体的第二菌株的实验。16.根据权利要求15所述的系统，其中所述一或多个存储器存储进一步指令，所述进一步指令在被执行时引起所述系统产生所述第二菌株的第一规模性能的第一规模统计模型，且使用所述第一规模统计模型来预测在第三规模下的所述第二菌株的性能。17.根据权利要求16所述的系统，其中所述第三规模与所述第二规模是相同的。18.根据权利要求16或权利要求17所述的系统，其中设计实验包含至少部分地基于所述第二菌株的所述经预测第三规模性能来筛选所述第二菌株。19.根据从权利要求15开始的前述权利要求中任一权利要求所述的系统，其中确定第一规模筛选条件进一步至少部分地基于从发酵建模确定的环境条件。20.根据从权利要求15开始的前述权利要求中任一权利要求所述的系统，其中确定第一规模筛选条件进一步至少部分地基于从在大于所述第二规模的第三规模下的所述生物体的发酵建模确定的环境条件。21.根据从权利要求15开始的前述权利要求中任一权利要求所述的系统，其中所述第一规模是处于板的规模，且所述第二规模是处于实验台罐的规模。22.根据从权利要求15开始的前述权利要求中任一权利要求所述的系统，其中所述第一规模是处于包括孔的板的规模，其中每一孔具有在50到200微升的范围内的容积，且所述第二规模是处于实验台罐的规模，具有在200ml到10升的范围内的容积。23.根据从权利要求15开始的前述权利要求中任一权利要求所述的系统，其中确定第一规模筛选参数包括确定对关键性能指标(“KPI”)的贡献高于贡献阈值的第二规模性能参数。24.根据从权利要求15开始的前述权利要求中任一权利要求所述的系统...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：齐默尔根公司，
类型：发明
国别省市：