Betaine

👆 关注我，一起学习最新文献、工艺技术和法规知识 今天分享一篇2025年发表在《Bioprocess and Biosystems Engineering》期刊的文章。本文献研究提出了一种基于定量氢核磁共振（H qNMR）技术的制药过程组学诊断与识别策略，用于分析单克隆抗体生产过程中的工艺波动，揭示影响细胞生长与产量的关键代谢物。首先，通过批次水平模型（BLM）与正交偏最小二乘判别分析（OPLS-DA），确定葡萄糖与乳酸是导致培养批次波动的主要因素，维持适宜的葡萄糖设定点对高产批次至关重要。其次，建立偏最小二乘（PLS）回归模型，发现活细胞密度（VCD）以及谷氨酰胺、麦芽糖、酪氨酸、柠檬酸、甲硫氨酸、乳酸是影响单克隆抗体产量的关键变量。最后，层次聚类分析（HCA）显示，胆碱、焦谷氨酸、甲酸等一碳代谢物与活细胞密度密切相关。上述发现为未来通过细胞工程改造与培养基配方优化实现生物过程优化、提升单克隆抗体生产效率奠定基础。 ※∣1  引 言 单克隆抗体因其高特异性与强药理作用，已成为最具前景的治疗药物之一，彻底改变了癌症、自身免疫性疾病与感染性疾病的治疗方式。随着单克隆抗体需求持续增长，提升产能迫在眉睫，产能直接影响生产成本与市场竞争力。研究表明，将蛋白表达量从0.5 g/L提升至5 g/L可显著降低生产成本。因此，在确保蛋白表达稳定的前提下最大化产量，是生物制药行业（尤其是竞争激烈的生物类似药市场）的核心任务。 中国仓鼠卵巢（CHO）细胞因高产、易培养、具备翻译后修饰能力，成为单克隆抗体生产的主流表达系统。尽管具备上述优势，CHO细胞制备单克隆抗体的产量仍存在批次间波动，给生产稳定性带来巨大挑战。这种波动主要源于CHO细胞固有的基因组不稳定性与细胞培养环境的变化。尽管通过细胞工程构建更稳定细胞株已取得显著进展，但针对使用稳定CHO细胞株的商业化生产中产量波动原因的研究仍较为缺乏。在工业界单克隆抗体生产中，产量波动主要由细胞培养过程中的环境因素驱动，如营养物浓度、代谢副产物、pH、温度与溶氧。尽管工业控制系统可严格调控温度、pH、溶氧等参数，但培养过程中营养物浓度动态变化大，难以精准管控。葡萄糖、氨基酸、维生素等关键代谢物的波动，会导致不同批次间细胞生长与抗体产量出现显著差异。例如，葡萄糖作为主要能量来源，通过糖酵解与三羧酸（TCA）循环为细胞各项功能供能。但葡萄糖过度消耗常导致乳酸积累——乳酸是指数生长期发酵的副产物。乳酸积累不仅抑制细胞生长，还会降低培养环境pH，需添加碱液调节，进一步提高渗透压，最终影响单克隆抗体的表达。同样，氨基酸浓度至关重要，即使微小变化也会改变生长动力学、影响单克隆抗体产量与产品质量。多项研究证实，代谢物失衡（缺乏或过量）均会阻碍细胞生长、降低单克隆抗体的表达。上述发现凸显了在细胞培养过程中监测代谢谱、识别显著影响培养批次性能的关键代谢物的重要性。因此，本研究采用基于定量氢核磁共振（H qNMR）技术的代谢组学分析，探究工业界CHO细胞培养的代谢变化，旨在定位批次间波动的主要驱动因素，识别影响细胞生长与产量的关键代谢物，最终助力实现更稳定、高效的生产。 代谢组学获得的多维时间序列数据蕴含生物制造过程动态特征的重要信息，但其固有的复杂性与动态性（尤其是时间相关变化），给识别与生产表型强相关的代谢物带来巨大挑战。数据中的时间相关性常成为混杂因素，难以直接分离影响单克隆抗体产量等结果的关键变量。为解决上述问题，研究者开发了多种分析方法，包括主成分分析（PCA）、偏最小二乘（PLS）回归、正交偏最小二乘判别分析（OPLS-DA）等多元数据分析（MVDA）技术。PCA是降维技术，可识别高维数据中的模式；PLS回归是有监督回归方法，用于探究工艺变量与结果（如单克隆抗体产量）间的关系；OPLS-DA则是有监督分类工具，用于识别导致组间差异（如高产vs低产批次）的关键变量。尽管这些工具为理解生物过程波动提供了更清晰的视角，但仍难以可靠定位与抗体产量直接显著相关的关键代谢物。近年来，支持向量机、人工神经网络等机器学习方法也逐渐用于生物过程数据分析。这些先进方法虽能有效捕捉复杂关系、预测工艺结果，但可解释性不足，限制了其在解析生物学机制中的应用。鉴于识别与控制生物过程关键因素带来的巨大经济效益，平衡预测能力与可解释性仍是核心挑战。 本研究提出一套完整的生物过程生物标志物识别与诊断策略，聚焦工业规模CHO细胞培养过程的时间序列代谢数据。该策略包含三个核心步骤：（1）培养批次聚类：基于代谢谱与细胞培养性能构建批次水平模型（BLM），对特征相似的批次进行聚类；（2）生物过程诊断：通过OPLS-DA识别导致批次差异的关键代谢物与代谢通路，重点关注葡萄糖与乳酸代谢作为波动驱动因素；（3）生物标志物识别：识别显著影响细胞生长与单克隆抗体表达的关键代谢物（如参与一碳代谢的胆碱、焦谷氨酸、甲酸等），作为生物过程优化的潜在标志物。本研究所得结论有望加深对批次波动驱动因素的理解，提升单克隆抗体生产整体效率。 ※∣2  材料与方法 ※∣2.1  细胞培养条件 采用稳定重组CHO-K1细胞株，在1500 L生物反应器中生产依那西普生物类似药。CHO-K1细胞采用补料分批培养模式，培养周期12天，使用定制基础培养基与补料培养基，均含葡萄糖、氨基酸、维生素及重要金属元素。生物反应器初始条件：温度36.7 ℃，pH 6.9。第5天细胞密度≥8.0×10⁶ cells/mL后，温度降至29 ℃，pH设定值调至7.0，标志细胞从指数生长期进入稳定期（蛋白表达期）。第1–11天每日添加补料培养基A（含多种营养物）：第2–4天补料体积为初始培养基体积的3%，其余天数为1%。温度切换后一次性添加补料培养基B（主要成分为半乳糖），体积为初始培养体积的3%（图1a）。溶氧（设定点50%）与pH通过添加O₂、CO₂与NaOH维持，全程搅拌转速40 rpm。共开展15批培养，条件完全一致，使用相同基础培养基与补料培养基配方，确保观察到的波动源于工艺固有动态变化，而非培养基成分的刻意改变。 Fig. 1 Cell culture conditions and the proposed data analysis strategy for bioprocess data analysis. a Illustration of CHO-K1 cell culture conditions; b Three-dimensional data unfolding; c Flowchart of the data analysis strategy ※∣2.2  培养性能评估 每日补料前从生物反应器采集10 mL样品，覆盖整个培养周期。采用全自动细胞计数仪测定活细胞密度（VCD）与活率。剩余样品4 ℃、12000 g离心10分钟，去除细胞与不溶性颗粒，无细胞上清液-20 ℃保存，用于后续代谢物分析。第10–12天收集上清液用于单克隆抗体纯化，采用蛋白A色谱法测定单克隆抗体浓度。 指数生长期细胞比生长速率（μ）与细胞比生产率（Qp）分别按公式（1）、（2）计算： 其中，x₁、x₂分别为时间点t₁、t₂的活细胞密度；Δz、ΔIVCC分别为单克隆抗体titer与对应活细胞浓度积分值的差值。 ※∣2.3  代谢物分析 采用¹H qNMR法测定胞外代谢物浓度。本研究共分析15批次，每批采集13个无细胞上清液样品，定量检测异亮氨酸、缬氨酸、丙氨酸、亮氨酸、谷氨酸、谷氨酰胺、甲硫氨酸、天冬氨酸、脯氨酸、甘氨酸、苏氨酸、酪氨酸、组氨酸、苯丙氨酸、色氨酸、焦谷氨酸、丙酮酸、柠檬酸、富马酸、甲酸、丁酸、乳酸、胆碱、甘油磷酸胆碱、甜菜碱、甘油、海藻糖、葡萄糖、半乳糖、麦芽糖等代谢物。 ※∣2.4  数据分析策略 生物过程数据集包含三个维度：I个批次、K个时间点、J个生物过程变量。解析工艺变量与培养批次性能指标（细胞生长、产量、单克隆抗体质量）间的关系是生物过程数据分析的难点。层次聚类分析（HCA）、PCA、PLS、OPLS-DA等MVDA方法是生物过程数据分析的核心工具，可区分系统变异与随机变异，深入解析生物过程行为，提升监测准确性。本节阐述基于MVDA方法的生物过程数据分析策略（图1），旨在实现三大目标：（1）基于代谢谱与细胞生长行为对批次进行聚类；（2）诊断导致批次分化的关键变量与代谢通路；（3）识别显著影响细胞生长与单克隆抗体制备的关键代谢物。 ※∣2.5  BLM（批次水平模型） 采用BLM模型评估批次间生物过程相似性，使用批次展开数据集（每行代表一个批次，包含所有时间依赖变量）。通过PCA揭示批次模式，再通过HCA基于相似性对批次分组。 ※∣2.6  OPLS-DA（正交偏最小二乘判别分析） 采用OPLS-DA方法，基于变量展开数据集识别导致批次差异的显著代谢物。通过S图与投影变量重要性（VIP）值定位关键代谢物。 ※∣2.7  PLS（偏最小二乘回归） 基于批次展开数据构建PLS模型，识别工艺变量与最终titer间的相关性。以R²（拟合优度）与Q²（预测能力）评估模型有效性，通过模型生成的VIP图与系数图，深入解析各生物过程参数与单克隆抗体产量间的潜在关联。 ※∣2.8  HCA（层次聚类分析） 与最终产量不同，活细胞密度（VCD）与代谢谱具有固有时间相关性，易出现无因果关系的显著相关。为消除时间对动态VCD与代谢谱关系的混杂影响，基于单个变量的批次相似性谱采用HCA模型。采用皮尔逊相关系数计算各变量时间谱在批次间的相似性，将两两相似性分数整理为各变量的一维相似性谱。随后采用欧氏距离衡量变量间距离，使用Ward法进行HCA聚类。与VCD相似性高的变量，批次间波动趋势一致，表明与VCD存在强固有相关性。 ※∣3  结果与讨论 ※∣3.1  基于BLM的培养批次分类 如图2a所示，15个培养批次的细胞培养性能存在明显差异，尤其是B03、B04批次，生长轨迹延迟，最终titer更低。尽管pH、溶氧、温度等工艺参数已知会影响生物过程结果，但这些变量均被严格控制在预设范围内。我们推测，培养基成分差异（尤其是基础培养基与补料培养基中化学成分未明确的酵母提取物）是驱动批次间波动的关键因素。酵母提取物的营养与生长因子含量存在批次依赖性，会显著影响细胞生长与抗体表达。为系统解析这些代谢驱动因素，采用¹H qNMR对所有批次的30种胞外代谢物进行分析。该方法可实现：（1）识别影响培养性能的关键培养基组分；（2）捕捉物理参数调整（如pH、温度切换）的下游代谢效应——该效应会直接反映在细胞代谢物动态变化中。将代谢谱与培养性能数据（VCD、活率、titer）整合，构建完整生物过程数据集（13个时间点、33个变量），解析波动原因。 Fig. 2 Culture performance and BLM model. a VCD, viability, and titer of 15 runs; b Score plot of BLM model; c Culture run classification result from HCA; d VCD, viability, titer, specific cell growth rate (μ), and cell-specific productivity (Qp) of 4 run groups. The error bars show the standard deviation. Titer values were scaled by a constant factor and are unitless 通过批次-wise PCA构建BLM模型（图2b；R²X=0.711，Q²=0.576），有效识别出低产批次B03、B04。基于PCA结果，对主成分1、2进行HCA，将15个批次分为4个不同组（图2c）。各组细胞培养性能数据（图2d）显示，第3组（B03、B04批次）的VCD、titer、细胞比生长速率（μ）、细胞比生产率（Qp）显著低于其他三组；各组间细胞活率无显著差异。其余三组培养性能差异较小，第2组整体表现最优。 综上，BLM分析全面展示了各批次的整个细胞培养过程，成功识别出异常批次，为后续解析不同批次的代谢特征奠定基础。 ※∣3.2  培养批次差异诊断 基于OPLS-DA的关键代谢物识别 胞外代谢谱复杂，难以直接定位驱动批次差异的关键代谢物。为此，构建6组组间两两对比的OPLS-DA模型，识别4个批次组间的显著差异代谢物（图3）。 Fig. 3 OPLS-DA models. a Model 1 for Group 3 and Group 1; b Model 2 for Group 3 and Group 2; c Model 3 for Group 3 and Group 4; d Model 4 for Group 1 and Group 2; e Model 5 for Group 1 and Group 2; f Model 6 for Group 2 and Group 4. The upper figures are the score plots of the models. The labels in the score plots show the culture days. The lower figures are the S-plot of the models in which the red points are metabolites having VIP values ≥ 1. Pyg: Pyroglu- tamic acid; Pyr: Pyruvate, Cit: Citrate; Fum: Fumarate; For: Formate; But: Butyrate; Lac: Lactate; Cho: Choline; Gpc: Sn-glycero-3-phos- phocholine; Bet: Betaine; Glyc: Glycerol; Tre: Trehalose; Gluc: Glucose; Gal: Galactose; Mal: Maltose; Others were the amino acids with standard abbreviations 通过S图与VIP值识别各模型的差异代谢物。VIP分析显示，乳酸、葡萄糖、丙氨酸、谷氨酸在多组对比中（尤其是涉及第3组的对比）均为显著差异代谢物；亮氨酸、缬氨酸、麦芽糖等代谢物也表现出组特异性重要性。 在S图中，位于右上角或左下角的代谢物差异最显著。结合S图与VIP值（图3），葡萄糖与乳酸是导致批次差异的主要因素，在6个模型的S图中均稳定出现在右上角或左下角区域，VIP值均>1。上述发现葡萄糖与乳酸代谢在驱动批次差异中发挥着关键作用，氨基酸与麦芽糖代谢也有辅助贡献。 不同批次的代谢趋势 图4展示4个组的代谢谱，突出关键代谢物与相关代谢通路。葡萄糖与氨基酸是CHO细胞生长与单克隆抗体表达的主要营养物，但因每日补料，多数营养物在培养过程中（尤其稳定期）呈积累趋势。与这些营养物相比，脯氨酸、酪氨酸、谷氨酰胺、葡萄糖呈现独特代谢模式。脯氨酸浓度相对稳定，表明补料与细胞摄取达到平衡；酪氨酸呈下降趋势，提示补料供应不足。谷氨酰胺是TCA循环中间产物α-酮戊二酸的关键前体，在指数生长期被大量消耗，第2天后浓度接近0。谷氨酰胺消耗可能导致丙酮酸增加，最终在指数生长期早期通过谷氨酰胺分解途径转化为乳酸。第5天温度切换后，CHO-K1细胞代谢活动放缓、基因表达改变，谷氨酰胺消耗减少，稳定期因补料与谷氨酰胺合成酶表达开始积累——该现象在采用谷氨酰胺合成酶筛选系统构建的CHO-K1细胞中尤为明显。葡萄糖消耗模式同样值得关注：指数生长早期（0–2天）葡萄糖快速消耗，第2天降至最低浓度（1–2 mM）；指数生长后期（2–5天）补料量增加（从1%升至3%），葡萄糖开始积累；稳定期因培养温度降低，葡萄糖摄取速率下降，进一步积累。此外，CHO-K1细胞出现代谢切换：葡萄糖从净消耗转为净积累，丙酮酸从净积累转为净消耗。丙酮酸早期积累源于有氧糖酵解与谷氨酰胺分解；葡萄糖与谷氨酰胺耗尽后，丙酮酸在指数生长后期转化为乳酸，或在稳定期进入TCA循环。乳酸变化主要与指数生长期葡萄糖、谷氨酰胺、丙酮酸代谢相关；细胞进入稳定期后开始消耗乳酸，表明代谢从低效有氧糖酵解转向TCA循环与氧化磷酸化。 Fig. 4 Extracellular metabolite profiles of different run groups and critical metabolic pathways associated with CHO cell culture. a Extracellular metabolic profiles. The X-axes and Y-axes show culture days and metabolite concentrations (mM), respectively. Error bars indicate the standard deviation. b Critical metabolic pathways. Pathways identified as important are highlighted in purple boxes, with biomarkers identified in this study shown in red text. Enzymes involved in each reaction are labeled in blue text.  柠檬酸与富马酸是TCA循环关键中间产物，浓度趋势差异显著：富马酸随时间轻微积累，可能源于下游转化瓶颈；柠檬酸在指数生长期积累，可能源于柠檬酸向α-酮戊二酸转化的通量瓶颈，或谷氨酰胺补充的α-酮戊二酸增加，减少柠檬酸下游代谢；稳定期（尤其温度切换后）柠檬酸快速消耗，表明稳定期TCA循环活性上调。丙酮酸、柠檬酸、胆碱在补料过程中未额外添加，稳定期持续消耗，提示稳定期补充这些代谢物可能提升细胞产能。 除上述总体趋势外，图4a还显示不同组间存在显著代谢差异，重点关注前文OPLS-DA识别的关键差异代谢物——葡萄糖与乳酸。具体而言，第3组（尤其稳定期）葡萄糖与乳酸水平最高，第4组略低；第1组葡萄糖与乳酸水平最低；表现最优的第2组，葡萄糖与乳酸水平介于第1组与第4组之间。乳酸与葡萄糖水平的强相关性与前期研究一致：降低葡萄糖浓度有助于减少乳酸积累。本团队针对该细胞株的前期研究也证实，维持葡萄糖浓度在适宜设定点可改善细胞生长与抗体产量。采用在线拉曼控制系统，在3 L生物反应器中将葡萄糖浓度维持在11 mM、22 mM、33 mM，结果显示，与无葡萄糖控制批次相比，维持22 mM可使VCD与titer提升50%；11 mM或33 mM则导致培养早期细胞密度与titer降低，随时间推移差异逐渐缩小。如图4a所示，第2组全程葡萄糖浓度<17 mM，第1组<12 mM；第3组与第4组葡萄糖最高浓度>25 mM。上述结果与小试实验一致，证实葡萄糖浓度过高或过低均会负面影响细胞培养性能。提示在工业生产中，采用在线拉曼控制系统将葡萄糖浓度维持在适宜范围，对保持高产至关重要。 麦芽糖在不同组间差异也较大（图4a）。麦芽糖作为二糖，可被CHO-K1细胞直接用作能量来源。研究表明，较高麦芽糖浓度可使抗体titer提升15%以上，且不影响产品糖基化模式。第4组麦芽糖水平较高，可能通过将代谢通量从糖酵解分流，减少乳酸积累，缓解高葡萄糖的负面影响，尽管葡萄糖水平高，但仍表现出中等性能。上述发现凸显平衡碳源供应对优化工业规模过程代谢效率与产能的重要性。 ※∣3.3  基于PLS的工艺变量与最终产量关联分析 为进一步定位可提升最终产量的关键工艺变量，基于批次-wise生物过程数据构建PLS模型。模型以最终产品titer为Y变量，代谢物、VCD、活率为X变量，模型性能良好（R²X=0.709，Q²=0.717）。 如图5a VIP图所示，VCD在整个培养过程中对titer影响显著。VCD的系数值（图5c）持续为高正值，表明提升VCD可进一步提高最终抗体产量。由于所有批次与天数的细胞活率均保持高水平（>97%），活率未被识别为影响该细胞株抗体生产的关键因素。 Fig. 5 PLS models with final titer as y-variable. a VIP plot; b Average VIP values for bioprocess variables in different days; c Coefficient plot 受时间动态影响，难以从VIP图直观识别关键代谢物。为此，计算各代谢物在所有时间点的平均VIP值（图5b）。除VCD外，谷氨酰胺、麦芽糖、酪氨酸、柠檬酸、甲硫氨酸、乳酸的平均VIP值>1，是影响抗体生产的重要因素。麦芽糖与酪氨酸系数值以正值为主，提示提高其浓度可能促进抗体生产；其他关键代谢物系数值多为负值，表明浓度过高可能抑制抗体生产。 较高麦芽糖浓度可使CHO-K1细胞抗体titer提升15%以上，且不影响产品糖基化修饰。酪氨酸是补料培养基中的限制性营养物，适量补充可提升CHO-K1细胞抗体产量。指数生长期谷氨酰胺快速消耗导致乳酸与氨水平升高，对细胞生长有害。PLS分析还提示，稳定期补充谷氨酰胺对抗体生产无益处，因细胞对谷氨酰胺需求下降。柠檬酸仅在指数生长期被检测到，浓度在此期间稳步上升。该积累并非补料导致，可能源于TCA循环泄漏，使柠檬酸成为指数生长期TCA循环通量的潜在标志物。柠檬酸积累表明此阶段细胞内能量供应低效，可能负面影响细胞生长与单克隆抗体制备。针对该CHO-K1细胞的代谢特征，通过基因或酶修饰靶向异柠檬酸脱氢酶介导的异柠檬酸向α-酮戊二酸的下游转化，可增强TCA循环通量、提升能量效率。如图4a所示，补料量超过细胞消耗量，甲硫氨酸在补料分批过程中持续积累，甲硫氨酸过量供应可能成为阻碍抗体titer进一步提升的瓶颈。乳酸是公认的毒性副产物，长期以来是改善CHO细胞培养性能的重点关注对象。对该细胞株而言，维持低浓度葡萄糖与谷氨酰胺，或采用麦芽糖等替代碳源，有助于保持低乳酸水平，进而促进抗体更好表达。 ※∣3.4  基于HCA的VCD关联代谢物识别 前文PLS模型显示，VCD是影响最终产品产量的最关键因素。因此，识别与VCD相关的关键代谢物至关重要。但VCD与代谢参数均具有固有时间依赖性，时间相关变化成为精准分析时间序列生物过程数据的混杂因素。为解决该问题，提出基于变量批次趋势相似性的HCA方法。通过计算各变量时间谱在批次间的皮尔逊相关系数，构建各变量的相似性矩阵，再对相似性谱进行HCA，实现代谢物聚类并确定其与VCD的相关性。 聚类结果（图6）显示，胆碱、谷氨酰胺、焦谷氨酸、甲酸与VCD高度相关。值得注意的是，胆碱、焦谷氨酸、甲酸均为参与一碳代谢的代谢物（图4b），凸显该通路在CHO-K1细胞增殖中的关键作用。一碳代谢包括甲硫氨酸循环、叶酸循环与转硫途径，为嘌呤与嘧啶合成提供一碳单位（对核酸生物合成至关重要），是维持细胞活率、支持快速生长的核心通路。对该CHO-K1细胞株而言，进一步开展细胞工程与培养基优化研究（尤其靶向丝氨酸、甲硫氨酸及其他一碳通路中间产物），有望提供提升细胞生长与抗体产量的策略。 Fig. 6 HCA model based on run similarity profiles ※∣4  结 论 随着单克隆抗体需求持续增长，提升工业CHO细胞培养产能对降低生产成本、保持生物制药行业竞争力至关重要。实现稳定高产单克隆抗体，不仅需要严格的工艺控制，还需深入理解细胞代谢与工艺参数间的复杂相互作用。生物过程解析的主要挑战在于生物系统的动态性与代谢物间的相互依赖性，导致生物过程数据解读尤为复杂。为解决上述挑战，本研究开发了一种制药过程组学方法，将多元数据分析与代谢组谱整合，揭示影响细胞生长与单克隆抗体产量的关键因素。 本研究遵循三步策略：首先，通过BLM模型基于代谢谱与细胞培养性能将批次分为不同组，成功识别15个工业规模生产批次的 distinct 性能模式；其次，通过OPLS-DA模型诊断导致批次组差异的关键变量与代谢通路，重点关注葡萄糖、乳酸等影响显著的代谢物，结果凸显在工业生产中引入在线葡萄糖控制系统对保持单克隆抗体高产的重要性；最后，构建PLS模型识别影响单克隆抗体生产的关键代谢物，确定VCD是影响最终titer的关键变量，除VCD外，谷氨酰胺、麦芽糖、酪氨酸、柠檬酸、甲硫氨酸、乳酸也是影响单克隆抗体表达的关键因素。进一步HCA分析显示，VCD与一碳代谢相关代谢物（尤其胆碱、焦谷氨酸、甲酸）密切相关，凸显一碳代谢在支持细胞快速增殖、保障单克隆抗体生产中的重要作用。上述发现为优化CHO细胞培养条件、提升单克隆抗体产量提供了有价值的参考，可应用于细胞工程改造与培养基配方调整。 ........................................................ 整理不易，若您喜欢，烦请右下角“点赞”、“转发”，分享给更多人！ 免责申明：本公众号所发表文章仅以宣传知识为目的，不作为投资，患者用药等建议。如果文章侵犯您的权益请及时联系小编进行删除，感谢理解！ 相关阅读： 单抗细胞株开发的典型流程 如何选择N-1强化策略 基于多变量数据分析和计算机模型分析优化补料培养基中的关键氨基酸浓度 产量提升160%：被忽视的细胞传代，竟有如此大的影响？ 反向思考：采用升温策略，优化产品质量 半乳糖作为补充碳源如何影响单克隆抗体的产量和N-糖基化：Fed-batch VS Perfusion 文献精读|如何开发一个批量高达 60g 的CHO瞬转表达平台 VCD峰值下降25%，titer下降70%，补料二次过滤会有如此大的影响？ ICH Q1指南即将引入新的建模方法预测复杂生物制剂的长期稳定性 机器学习优化CHO细胞培养工艺，titer提高48% 案例分享：如何将机器学习有效应用于CHO培养基优化和CQA预测 抗体类药物成药性评估技术的发展趋势 如何搭建适应强化工艺开发的CHO宿主细胞平台 优化抗氧化剂添加策略，提高CHO细胞在不同培养模式（FB、iFB、CM）下表达双抗的比生产率 借鉴 EMA 审评经验：过去十年药品上市许可申请中常见的CMC缺陷 单抗生产成本大PK：Fed-batch（15g/L）vs Continuous Production（3~5g/L/D） 基于VCD指导CHO Fed-batch和perfusion补料策略的开发 多变量数据分析助力CLD更早、更高效地筛选稳定高产细胞株 来看一看209款已上市抗体药物的糖型分布及其控制策略 单抗生产领域的最新研究发展：聚焦工艺优化、降本策略与新兴技术三大方向 如何改善高浓度补料培养基的储存稳定性 如何搭建高效的生物药上游工艺开发流程 如何利用机器学习指导CHO Fed-batch培养基和工艺优化以提高titer和质量 工艺表征中如何计算IR来判定CPP 最近贝叶斯有点火，一文了解贝叶斯的原理及其在生物工艺中的应用进展 乳酸不只是废物：靶向调节胞内乳酸可提升CHO Fed-batch工艺性能 几何结构不相似的一次性生物反应器如何进行放大 单抗生产过程中被还原的二硫键还能被恢复吗？ 调控单抗去岩藻糖基化修饰的超全攻略 案例分享：一款国产单抗上市后工艺变更的可比性研究策略 应用MVDA进行Scale-Down模型的开发