2022-02-06

BioProcessing Journal | 机器学习优化糖基化质量测量

原创 图灵基因 图灵基因 2022-02-05 22:06

收录于话题#前沿生物大数据分析

研究人员已经使用机器学习和两种实验设计来优化生物疗法的一个共同的关键质量属性。

合同制造商Cytovance Biologics的过程表征副主任Eliza Yeung博士和另一位研究人员依靠统计软件创建了两个实验设计，以分析治疗性糖蛋白的关键质量属性糖基化。这项研究发表在《BioProcessing Journal》上的一篇题为“Optimization of a Conventional Glycosylation Analytical Method Using Machine Learning and Experimental Design”的文章中。

“我们论文的目标是让我们能够用更少的实验做更多的事情。我们知道（用软件开发的）这种类型的模型可以支持方法和流程的验证，因此我们的目标是建立一个良好的预测模型来控制[流程]可变性的所有来源。”她说。

Yeung希望他们开发的模型可以帮助他们更好地为客户服务。“这篇论文是一个很好的案例研究，（表明）我们有工具和策略来实现一个稳健的过程。”她补充道。

糖基化在治疗性蛋白质的功能和安全性中起着重要作用，但由于它对细胞、蛋白质和过程具有特异性，因此被认为难以分析和控制。因此，在药物开发过程中，生成一致的糖基化图谱和可靠的结构分析非常重要。

该论文使用脉冲安培检测高效阴离子交换色谱法（一种传统的糖基化分析方法），对人免疫球蛋白衍生的聚糖进行检测。

两种实验设计，确定性筛选和中心复合设计，与机器学习算法一起使用。根据该论文所说，实验设计和后续分析均使用统计软件进行。

为了优化糖谱分析的性能，该团队通过模型拟合算法建立了一个基于数千次传递的预测模型。这种集成方法被称为“自我验证集成建模”，旨在降低模型性能的不稳定性。

该团队发现，基于一种实验设计的预测模型可以可靠地预测另一种实验设计的结果。

“我们很高兴有一种机器学习和实验设计的方法，这种方法需要更少的实验运行。”Yeung 说，“因为（糖基化）非常复杂，用更少的实验来获得更多的理解，并通过它们来验证我们的模型是非常明智的。”

该团队认为，这种方法和类似的方法有助于满足International Council for Harmonization ofTechnical Requirements for Pharmaceuticals for Human Use (ICH)关于“过程开发”的“生命周期”方法和即将发布的“分析程序开发”指南的指南。