优化生物技术生产的方法和装置制造方法及图纸

一种自动生成和验证用于生物技术产品生产的数字孪生的新方法、以及数字孪生的应用，目的是通过优化培养基组成和/或进料策略来提高产品浓度、生产力、生物量浓度和产品质量。数字孪生可以直接链接到生产以进行在线优化或离线进行决策支持。离线进行决策支持。离线进行决策支持。

【技术实现步骤摘要】
【国外来华专利技术】优化生物技术生产的方法和装置
[0001]描述
[0002]本专利技术提供了一种自动生成和验证用于生物技术产品生产的数字孪生的新方法、以及数字孪生的应用，目的是通过优化培养基组成和/或进料策略来增加产品浓度、生产力、生物量浓度和产品质量。所述数字孪生可以直接链接到生产以进行在线优化或离线进行决策支持。
[0003]如今，数字孪生被用于机械工程、电气工程、化学工业和其他相关行业，因为它们可以显著改进和加速机器、工业产品和供应链的设计、优化和控制。通过其预测能力，数字孪生可用于直接干预生产或预测和改进资产和供应链的整体表现。尽管有这些优势，数字孪生却并未应用于生物技术生产过程。
[0004]虽然过去已经开发了生物技术过程模型，但这些模型中的大多数无法解决三个主要问题：(i)模型几乎没有任何预测质量；(ii)无法按要求提供必要的实验数据；(iii)由于蜂窝系统的复杂性，创建模型的成本太高，或者由于太多的未知数而导致无法实现模型的创建。

技术实现思路

[0005]通过将细胞模型、反应器模型、增长(growth)模型和胞外反应动力学与机器学习相结合，专利技术人首次发现了高度预测性数字孪生的方法和装置(参见图1)。通过对细胞内浓度的拟稳定(quasi
‑
stationary)描述，可以仅根据底物、产品(即“化合物”)和生物量的动态来训练和验证数字孪生。这些实验数据可以以常规方式轻松提供，并且是大多数生物制药生产过程中的标准测量数据。本专利技术利用了a)众所周知的代谢网络的机制以及已被充分描述的培养系统；以及b)通过机器学习进行的未知细胞机制的数据驱动学习。
[0006]数字孪生的训练、验证和应用是完全自动化的，可在不同工艺格式(如连续、分批和分批补料培养)之间互换，在不同产物(如单克隆抗体、抗体片段、维生素、氨基酸、激素或生长因子)之间互换。此外，该方法可应用于代谢网络已经重建或可以重建的所有生物体和细胞系。
[0007]附图简要说明
[0008]图1示出了根据本专利技术的数字孪生结构的示意图。
[0009]图2示意性地示出了数字孪生的功能及其在实际细胞培养系统中的应用。
[0010]图3示出了根据本专利技术一优选实施方案的方法的实施工作流的流程图。
[0011]图4是阶段和交换速率的估计算法流程图。
[0012]图5是代谢通量分析算法的流程图。
[0013]图7A和图7B示出了递归代谢网络模型的示意图。
[0014]图8是根据本专利技术的矩阵乘法算法的示意图。
[0015]图9是递归代谢网络模型训练和评估算法的流程图。
[0016]图10是过程优化算法的流程图。
[0017]图11是根据本专利技术的方法的完整工作流的流程图。
[0018]图12示出了根据本专利技术的数字孪生的性能图。
[0019]图13和图14示出了生物量和产物的实测浓度和预测浓度图。
具体实施方式
[0020]提供了用于细胞培养过程的数字孪生，该数字孪生描述了(represents)多个生物细胞、胞外反应和反应器系统。
[0021]在第一方面，本专利技术提供了一种用于构建数字孪生的方法：
[0022]‑
提供来自真实细胞培养过程的动态培养数据；
[0023]‑
提供从真实生物细胞的代谢通量提取的基元通量模式(elementary flux mode)的模式矩阵M；
[0024]‑
通过可训练矩阵H减少基元通量模式的数量并对其进行叠加以获得基本通量模式的简化矩阵
[0025]‑
指定神经网络来描述各个基本通量模式的动力学；
[0026]‑
将基本通量模式与细胞培养过程的胞外反应联系起来；
[0027]‑
将基本通量模式与细胞培养过程的反应器系统的流入和流出联系起来；
[0028]‑
对由此产生的底物、产物和生物量的质量平衡进行求解；及
[0029]‑
通过动态培养数据训练H矩阵和神经网络。
[0030]H矩阵是本专利技术该实施方案的独特特征。根据本专利技术，H是具有两种功能的可训练矩阵：
[0031](i)它将基元通量模式的数量Num
modes
转换为减少的数量Num
modes，red
(即，降维)
[0032](ii)它通过矩阵乘法运算(即，模式组合)组合模式。
[0033]因此，根据本专利技术的矩阵乘法产生投影简化化学计量矩阵(projected reduced stoichiometric matrix)它的行对应于简化模式的数量Num
modes，red
，它的列对应于被测化合物的数量Num
comp，measured
。图8示出了矩阵乘法运算的示意图，该运算减少了模式维数。
[0034]优选地，所述投影简化化学计量矩阵由代谢网络矩阵和通过应用可训练正简化矩阵H将模式数量Num
modes
转换为减少的数量Num
modes，red
来导出：
[0035][0036]h
u，z
≥0∧h
u，z
∈H
[0037]其中，特别地，所述代谢网络矩阵和由所述真实生物细胞的化学计量矩阵S和所述通量模式矩阵M通过从这两个矩阵中去除所有交换反应导出，并且，在中，仅包括交换化合物。
[0038]本专利技术的方法需要用于底物、产物和生物量的质量平衡的求解器(solver)。在一优选实施方案中，所述求解器是递归神经网络(RNN)。优选地，该RNN包括以下组成部分：
[0039]‑
中间状态模型(intermediate state model)，用于将培养体积和状态向量的变化描述为某时间步长(time step)t内时间的连续函数，同时确保正确的质量平衡；
[0040][0041]‑
所述神经网络，用于通过训练神经网络权重W及其相应的偏置b来计算基本通量模式f(t)的更新，其中，下一层的神经元由sigmoidal激活函数σ激活：其中，L表示最后一个隐层的索引(index)；
[0042]‑
基于通量的速率估计(flux
‑
based rate estimation)，用于通过以下方程获得胞外速率：
[0043][0044]h
u，z
≥0八h
u，z
∈H
[0045]及
[0046]‑
指数增长模型，用于计算下一个时间步长t+Δt的状态向量。
[0047]在其一优选变体中，使用培养数据的第一子集(即，所谓的训练集(training set))通过使以下损失函数中的Loss最小化来进行所述RNN的训练：
[0048][0049]其中，i表示包括生物量在内的化合物，是化合物i的实测浓度，是化合物i的浓度的测量标准偏差，是化合物i的预测浓本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于构建用于细胞培养过程的数字孪生的方法，所述数字孪生描述多个生物细胞、胞外反应和反应器系统，所述方法包括以下步骤：
‑
提供来自真实细胞培养过程的动态培养数据；
‑
提供从真实生物细胞的代谢通量提取的基元通量模式的模式矩阵M；
‑
通过可训练矩阵H减少所述基元通量模式的数量并对其进行叠加以获得基本通量模式的简化矩阵
‑
指定神经网络来描述各个基本通量模式的动力学；
‑
将所述基本通量模式与细胞培养过程的胞外反应联系起来；
‑
将所述基本通量模式与细胞培养过程的所述反应器系统的流入和流出联系起来；
‑
对由此产生的底物、产物和生物量的质量平衡进行求解；及
‑
通过动态培养数据训练所述H矩阵和所述神经网络。2.根据权利要求1所述的方法，其中，投影简化化学计量矩阵由代谢网络矩阵和通过应用可训练正简化矩阵H将模式数量Num
modes
转换为减少的数量Num
modes，red
来导出：h
u，z
≥0∧h
u，z
∈H其中，代谢网络矩阵和由真实生物细胞的化学计量矩阵S和所述模式矩阵N通过从这两个矩阵中去除所有交换反应导出，并且，在中仅包括交换化合物。3.根据权利要求1或2所述的方法，其中，所述底物、产物和生物量的质量平衡通过递归代谢网络模型(RNN)求解，所述递归代谢网络模型包括：
‑
中间状态模型，用于将培养体积和状态向量的变化描述为某时间步长t内时间的连续函数，同时确保正确的质量平衡；
‑
所述神经网络，用于通过训练所述神经网络权重W及其相应的偏置b来计算基本通量模式f(t)的更新，其中，下一层的神经元由sigmoidal激活函数σ激活：其中，L表示最后一个隐层的索引；
‑
基于通量的速率估计，用于通过以下方程获得胞外速率：h
u，z
≥0∧h
u，z
∈H及
‑
指数增长模型，用于计算下一个时间步长t+Δt的状态向量。4.根据权利要求3所述的方法，其中，使用培养数据的第一子集(训练集)通过使以下损失函数最小化来进行RNN的训练：
其中，i表示包括生物量在内的化合物，是化合物i的实测浓度，是化合物i的浓度的测量标准偏差，是化合物i的预测浓度，每个都是在时间点t，并且，每个都对应于所选的培养运行p。5.根据权利要求4所述的方法，其还包括以下步骤：
‑
通过基于所述培养数据的第二子集(评估集)计算Loss来评估训练后的RNN，其中，所述第二子集不同于所述第一子集。6.根据前述权利要求中任一项所述的方法，其中，基元通量模式的模式矩阵M通过模式分解获得，该方法包括以下步骤：
‑
变换所有代谢通量将可逆反应进行分离以获得所有不可逆反应；
‑
使目标函数和反复应用的失效变换器的停用最小化，以获得基元通量模式，所述目标函数为：其中，是非零通量的反应的数量；及
‑
收集所有识别的基元通量模式并将它们堆叠成模式矩阵M。7.一种根据细胞培养过程的培养数据为反应器系统中的细胞培养过程提供优化工艺规范的方法，包括以下步骤：
‑
获取所述细胞培养过程的培养数据；及
‑
通过应用可根据权利要求1
‑
6中任一项所述的方法获得的数字孪生由获得的培养数据调整或生成至少一个优化工艺规范。8.一种在反应器系统中培养生物细胞的方法，包括以下步骤：
‑
在所述反应器系统中培...

【专利技术属性】
技术研发人员：巴斯蒂安，
申请(专利权)人：伊西利科生物技术股份公司，
类型：发明
国别省市：