然而,传统DOE难以处理高维数据,依赖硏究人员的知识和经验锁定研究范围,使得培养基开发周期硏究员素质波动,限制企业内部培养基开发流程的运行效率。因此,为了解决培养基开发的尾端问题,有必要引入高维算法并将各个环节进行整合优化,建立一个更加通用的CHO细胞培养基开发流程,为培养基的开发和生产提供相关指导建议。基于欧式距离的培养基库选择工具与传统的PCA选择方法相比,实验设计的线性相关性从0.60降低到0.50,设计空间从1.30扩大到1.80,数据利用率得以提升。随后采用非参数局部回归 LOESS作为全局变量重要性分析方法解析培养基组分和产量间的关系,细胞株A实验结果表明与传统商业软件 SIMCA中的PLS相比,基于LOESS的分析准确率从20％提高至606更有助于认识培养基组分和产量间关系,从而指导后续预测模型的建立。根据产量非单峰分布特征,引入GMM联合GBDT建立预测模型,并确认叠加LOESS分析算法带来模型预测效果的提升。随后,基于预测模型对比遗传算法和不确定性分析的优化效率。

 

细胞株A实验结果表明,遗传算法所生成配方较混合实验最优点产量提高5％,而不确定性分析提升249％,因此定为后续优化算法。另一方面,与传统PLS建立预测模型相比,GMM-GBDT模型平均预测准确率提高了14个百分点,最高达87％。基于产量预测模型,引入LME算法分析配方,发现对于细胞株A,B3OI/FM3F为最稳定的培养基组合,而S204B/S204F更易造成产量波动。进一步分析局部CPP得到配方中对产量影响较大的关键培养基组分,经假设检验发现局部CPP在士10％波动对产量具有显著影响。
 

出自《基于高维算法辅助ＣＨＯ细胞培养基开发方法的建立及应用》作者邹茂。