然而,如 Zhou Jiang等人所述,序贯优化策略的结果并不总是理想的,因为基础培养基和流加培养基可能对细胞培养表现存在相互关联的影响。事实上,改良的基础培养基可以改变细胞的新陈代谢和生长,从而可能需要配合经过优化的补料培养基。因此,某些元素的顺序优化必须重复,或者基础和补料优化之后必须进行最后一轮基础和补料的综合优化。

由此可以看出,一方面传统实验设计的的一个限制是它们仅处理少量的变量和较低的水平,通常只有两个水平,这是由于当变量数量增加时所需的实验数量呈指数增长5因此,这些方法需要初步筛选,以减少变量的数量。在这过程中依赖于研究人员对细胞需求的认识以缩小和确定实验设计范围,但由此会造成培养基开发周期的不确定性。尤其当研究人员对细胞需求认识比较局限时,序贯式使用这些方法极可能延长培养基开发周期。另一方面,传统实验设计在探索复杂的高维数据时还存在若干局限性,因此,迫切需要一种可以克服这些限制的替代方案。
 

从传统的DOE设计到机器学习算法,培养基开发方法一直在不断发展,有各自的优势之处,现在许多研究工作将重点集中在如何合理地使用这些开发方法,从而在培养基的开发工作中提高实施效率,取得良好的效果。为实现CHO细胞培养基的高效开发,需保证开发方法的普适性、简便性和实用性,而以往研究中少有从实验设计到指导工业生产的CHO细胞培养基完整开发流程。因此,只有将不同的开发方法有机结合,才能更好地满足这些企业需求。
 

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。