用于确定细胞培养过程中的过程变量的方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114223034A(43)申请公布日2022.03.22(21)申请号202080057310.0(74)专利代理机构北京市中咨律师事务所(22)申请日2020.08.1211247代理人胡志君黄革生(30)优先权数据19191807.72019.08.14EP(51)Int.Cl.G16B5/00(2019.01)(85)PCT国际申请进入国家阶段日G16B40/00(2019.01)2022.02.14C12M1/34(2006.01)(86)PCT国际申请的申请数据PCT/EP2020/0725602020.08.12(87)PCT国际申请的公布数据WO2021/028453EN2021.02.18(71)申请人豪夫迈·罗氏有限公司地址瑞士巴塞尔(72)发明人K·埃哈德T·格罗斯科普夫W·保罗D·斯特夫克S·文凯特斯瓦兰权利要求书2页说明书33页附图19页(54)发明名称用于确定细胞培养过程中的过程变量的方法(57)摘要高通量培养系统被用于药物研究和开发。在这方面，采集样品并使用外部分析就重要参数对所述样品进行分析。所述分析的结果用于评定培养过程并提供有关所述过程的重要信息。特别是在平行进行培养的情况下，样品制备的人工工作量很大，且可能会导致错误。为了避免采样的需要并因此最大程度减少错误，本专利申请中描述了一种方法，所述方法使得能够通过先前记录的过程变量以软传感器的形式访问期望的目标参数。本文描述了一种用于在高通量培养中确定CHO(中国仓鼠卵巢)过程中的过程相关参数特别是葡萄糖、乳酸和活细胞密度或活细胞体积的方法。CN114223034ACN114223034A权利要求书1/2页1.一种用于在哺乳动物细胞培养期间将葡萄糖浓度调整至目标值的方法，其包括以下步骤a)至少确定所述培养中的过程变量‘时间’、‘CHT.PV’、‘ACOT.PV’、‘FED2T.PV’、‘GEW.PV’、‘CO2T.PV’、‘ACO.PV’、‘AO.PV’、‘N2.PV’、‘LGE.PV’、‘CO2.PV’、‘FED3T.PV’、‘OUR’和‘PH.PV’的当前值，b)使用来自a)的测得值，通过用于所述哺乳动物细胞培养的数据驱动模型确定培养基中的当前葡萄糖浓度，所述数据驱动模型使用包含所述过程变量‘时间’、‘CHT.PV’、‘ACOT.PV’、‘FED2T.PV’、‘GEW.PV’、‘CO2T.PV’、‘ACO.PV’、‘AO.PV’、‘N2.PV’、‘LGE.PV’、‘CO2.PV’、‘FED3T.PV’、‘OUR’和‘PH.PV’的特征矩阵而产生，以及c)如果来自b)的所述当前葡萄糖浓度低于所述目标值，则添加葡萄糖直到达到所述目标值，从而将所述葡萄糖浓度调整至目标值。2.根据权利要求1所述的方法，其特征在于，所述过程变量选自包含以下过程变量的群组：活细胞密度、活细胞体积、所述培养基中的葡萄糖浓度和所述培养基中的乳酸浓度。3.根据权利要求1至2中的一项所述的方法，其特征在于，所述方法在没有采样的情况下并且仅使用来自该培养的在线测得值来实施。4.根据权利要求1至3中的一项所述的方法，其特征在于，所述数据驱动模型通过机器学习而产生。5.根据权利要求1至4中的一项所述的方法，其特征在于，所述数据驱动模型利用随机森林方法而产生。6.根据权利要求1至5中的一项所述的方法，其特征在于，所述数据驱动模型利用训练数据集而产生，所述训练数据集包含至少10次培养运行。7.根据权利要求1至6中任一项所述的方法，其特征在于，a)将可用于建模的数据集以70:30与80:20之间的比率随机划分为训练数据集和测试数据集，b)形成模型，c)从所述训练数据集确定用于确定所述数据集的所述过程变量的平均值和标准偏差，并从所述测试数据集确定用于确定所述数据集的所述过程的平均值和标准偏差，d)重复步骤a)到c)，直到实现关于测试数据集与训练数据集之间的划分的可比平均值和标准偏差，其中在a)下获得的所述划分对于每次新运行都是不同的。8.根据权利要求1至7中的一项所述的方法，其特征在于，用于产生所述数据驱动模型的所述数据集各自含有相同数量的数据点。9.根据权利要求1至8中的一项所述的方法，其特征在于，用于产生所述数据驱动模型的所述数据集中的所述数据点各自针对相同的培养时间。10.根据权利要求1至9中的一项所述的方法，其特征在于，通过插值来补充所述数据集中的缺失数据点。11.根据权利要求10所述的方法，其特征在于，所述葡萄糖浓度和/或活细胞体积的缺失数据点通过三阶多项式拟合获得，所述乳酸浓度的缺失数据点通过单变量样条拟合获得，和/或所述活细胞密度的缺失数据点可以通过Peleg拟合获得。2CN114223034A权利要