Details

Работа посвящена разработке и валидации гибридной (механистической и машинного обучения) математической модели для прогнозирования ключевых параметров fed-batch процесса культивирования клеток яичников китайского хомячка (CHO), продуцирующих моноклональные антитела. В ходе выполнения работы были решены следующие задачи: -получены экспериментальны данные периодического культивирования с подпиткой клеток промышленной линии и выполнена их предобработка для моделирования. -проведён анализ современных подходов к моделированию процессов культивирования клеток млекопитающих; -разработана механистическая основа модели в виде системы балансовых дифференциальных уравнений, описывающих динамику биомассы, субстратов, метаболитов и продукта; модель реализована в виде программы на языке Python.; -применена модель машинного обучения (Random Forest) для коррекции прогноза механистической модели по конечному титру антител на основе исторических данных; -выполнена валидация гибридной модели на восьми литературных сериях (CHO02-CHO09) и на собственных экспериментальных данных и определены границы применимости разработанного подхода. Объекты исследования – технологический процесс периодического культивирования с подпиткой (fed-batch) клеточной линии CHO-K1, а также гибридная математическая модель этого процесса. Работа выполнена с использованием методов компьютерного моделирования. Анализируемые параметрами были динамические профили жизнеспособной и обще плотности клеток, концентраций глюкозы, лактата, аммония и моноклонального антитела в ходе 8 различных серий культивирования (CHO02 – CHO09), описанных в рецензируемой научной литературе за период с 1995 по 2022 года и одной серии культивируемой в рамках эксперимента (CHO01). Работа демонстрирует, что гибридное моделирование является эффективным инструментом для анализа и прогнозирования fed-batch процессов культивирования CHO-клеток. Модель позволяет оптимизировать стратегии подпитки и режимы температурного сдвига, что имеет прямое практическое значение для повышения выхода моноклональных антител в промышленных условиях. Для достижения данных результатов в работе были использованы/разработаны следующие информационные технологии: 1) Язык программирования и среда: Python 3.9, интегрированная среда разработки PyCharm 2022.2.4. 2) Библиотеки для научных вычислений и моделирования: NumPy, ScuPy, Pandas, scikit-learn (Random Forest Regressor), Matplotlib, Seaborn. 3) Базы данных и источники экспериментальных данных: Данные для калибровки и валидации были получены из открытых рецензируемых научных публикаций в журналах Biotechnology & Bioengineering, Journal of Biotechnology, Bioprocess and Biosystems Engineering и других (всего 9 статей, 1995–2015 гг.). Данные были оцифрованы и структурированы в локальной реляционной базе данных в форматах CSV (экспериментальные точки) и JSON (метаданные и параметры).

This work is devoted to the development and validation of a hybrid (mechanistic and machine learning) mathematical model for predicting key parameters of the fed-batch cultivation process of Chinese hamster ovary (CHO) cells producing monoclonal antibodies. During the work, the following tasks were accomplished: • Experimental data from fed-batch cultivation of an industrial cell line were obtained and preprocessed for modeling. • An analysis of modern approaches to modeling mammalian cell cultivation processes was carried out. • A mechanistic model framework was developed in the form of a system of balance differential equations describing the dynamics of biomass, substrates, metabolites, and the product; the model was implemented as a program in Python. • A machine learning model (Random Forest) was applied to correct the mechanistic models prediction of the final antibody titer based on historical data. • Validation of the hybrid model was performed on eight literature series (CHO02–CHO09) and on our own experimental data, and the applicability limits of the developed approach were determined. Objects of the study – the technological process of fed-batch cultivation of the CHO-K1 cell line, as well as a hybrid mathematical model of this process. The work was carried out using computer modeling methods. The analyzed parameters were the dynamic profiles of viable and total cell density, concentrations of glucose, lactate, ammonium, and monoclonal antibodies during 8 different cultivation series (CHO02–CHO09) described in peer-reviewed scientific literature from 1995 to 2022, and one series cultivated experimentally (CHO01). The work demonstrates that hybrid modeling is an effective tool for analyzing and predicting fed-batch CHO cell cultivation processes. The model allows optimizing feeding strategies and temperature shift regimes, which has direct practical significance for increasing the yield of monoclonal antibodies under industrial conditions. To achieve these results, the following information technologies were used/developed in the work: 1) Programming language and environment: Python 3.9, PyCharm 2022.2.4 integrated development environment. 2) Libraries for scientific computing and modeling: NumPy, SciPy, Pandas, scikit-learn (Random Forest Regressor), Matplotlib, Seaborn. 3) Databases and sources of experimental data: Data for calibration and validation were obtained from open peer-reviewed scientific publications in journals such as Biotechnology & Bioengineering, Journal of Biotechnology, Bioprocess and Biosystems Engineering, and others (9 articles total, 1995–2015). The data were digitized and structured in a local relational database in CSV (experimental time points) and JSON (metadata and parameters) formats.

• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
• 1. ОБЗОР ЛИТЕРАТУРЫ
• 1.1 Биофармацевтическое значение клеток CHO
  • 1.2 Клеточные линии CHO и особенности их культивирования
    • 1.2.1 Основные клеточные линии CHO
    • 1.2.2 Морфологические и физиологические особенности клеток CHO
    • 1.2.3 Метаболические особенности и их влияние на процесс
    • 1.2.4 Значение выбора линии CHO для математического моделирования
  • 1.3 Fed-batch культивирование клеток CHO
  • 1.4 Параметры процесса культивирования
    • 1.4.1 Лимитирующие факторы
    • 1.4.2 Контролируемые параметры
    • 1.4.3 Стратегии подпиток и их влияние на рост
  • 1.5 Виды математического моделирования процессов культивирования
  • 1.6 Выводы по литературному обзору
• 2. ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ
  • 2.1 Объект и предмет исследования
  • 2.2 Экспериментальные данные
    • 2.2.1 Данные культивирования
    • 2.2.2 Состав среды и подпиток
  • 2.3 Базы данных для обучения модели
  • 2.4 Гибридное моделирование процесса культивирования
    • 2.4.1 Механистическая модель
    • 2.4.2 Калибровка кинетических параметров механистической модели
    • 2.4.3 Статистические методы валидации моделей
    • 2.4.4 Учёт физико-химические условий в модели
    • 2.4.5 Машинное обучение и его внедрение в механистическую модель
  • 2.6 Блок схема эксперимента
• 3. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ И ИХ ОБСУЖДЕНИЕ
  • 3.1 Результаты культивирования
  • 3.2 Результаты механистического моделирования
  • 3.3 Результаты применения машинного обучения
  • 3.4 Анализ точности на различных сериях культивирования
  • 3.5 Обсуждение результатов
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ