一种细胞培养过程在线智能监测系统和方法

本发明涉及一种细胞培养过程在线智能监测系统和方法，属于生物制药过程监控。

背景技术：

1、过程分析技术（pat）由美国食品药品监督管理局于2004年提出，被定义为一个用于设计、分析和控制生产过程的系统，通过及时测量原料、生产过程中的物料及过程的关键质量和性能属性，实现确保最终产品质量的目的。将pat应用于生物制药过程，有助于增加生产过程了解，提高生产过程控制水平，减少废料和废品产生，缩短生产周期和实现批次实时放行。

2、细胞培养过程被广泛用于多种生物制品生产，包括抗体、治疗性蛋白、生长因子等。因细胞培养过程在生物制品生产中的重要性，为保证细胞正常生长、保证产品产量及质量，必须监控细胞培养过程。目前，以近红外光谱、拉曼光谱等为代表的光谱技术，已成为细胞培养过程监测应用最广泛的pat工具之一，具有无损、快速检测等优势，可用于监测细胞培养过程中葡萄糖、乳酸、氨基酸、细胞密度、目的产物表达量等指标。

3、然而，在应用光谱技术监测细胞培养过程时，通常需要将光谱技术与化学计量学或机器学习算法结合，建立定量分析模型，开发在线分析方法，以实现在线分析和监测的目的。目前，在在线分析方法开发过程中，需将在线光谱与待测指标参考值组成数据集，并借助化学计量学或机器学习等算法对二者进行回归分析，从数据采集、整理到模型建立、优化，存在以下技术缺陷与难点：（1）在线光谱与待测指标参考值数据通常分散存储在各个仪器终端，存在“信息孤岛”，导致这些数据未被及时汇总，等到方法开发时需重新手动调取、整理这些数据，费时费力，且容易存在操作误差；（2）模型建立及优化，需要手动操作，操作步骤繁琐且依赖人员经验，且随可用历史数据增加而导致数据集更新，该建模及优化步骤仍需再次手动执行，导致重复劳动，造成资源浪费。

4、相关专利cn111201434a提供了一种用于控制细胞培养物中的过程变量的原位拉曼光谱系统和方法，但其不足包括：1）最重要的是，该系统分析方法开发无法实现自动化，信息化程度低：拉曼光谱分析模型开发过程中，分析物浓度未实现自动从参考值分析仪器获取，无统一汇总、管理方式，且模型建立、优化及更新未实现自动化，模型开发依赖人工操作和经验，存在人力成本高、数据记录易出错、模型开发难度大、耗时长等问题，整个系统自动化、信息化程度低；随数据积累导致数据量越来越多，模型需定期维护和更新，该缺点会越发严重影响方法性能及实施效率；2）该系统监测指标不足：仅为培养基中分析物浓度，不包括与细胞生长、产品质量属性相关指标，对细胞培养这一复杂过程的信息反映不足，不利于该过程的充分理解及优化。

5、相关专利cn114813457a、cn115985404a提供了多种监测生物反应器的系统及方法，其主要不足与上述相关专利cn111201434a所述2个方面相同，即分析方法开发无法实现自动化，信息化程度低，监测指标不足；

6、相关专利cn116052778a与上述相关专利cn111201434a所述不足1相同。相关专利cn114519716a提供了一种细胞培养形态的在线监测方法及系统，但其仅可对培养皿内细胞形态进行监测，监测指标单一且指标无法拓展。

7、为此，本发明通过实施一种细胞培养过程在线智能监测系统和方法，优化传统在线分析方法开发流程中存在的技术难题，解决了上述若干相关专利的缺点与局限。

技术实现思路

1、本发明涉及一种细胞培养过程在线智能监测系统。本发明还涉及使用该系统在线监测细胞培养过程的方法。

2、本发明涉及一种细胞培养过程在线智能监测系统，包括：

3、（1）生物反应器，用于实现细胞培养过程；

4、（2）在线光谱仪，配有光纤、探头、工作站等，探头通过光纤与在线光谱仪相连接，探头以浸入式方式采集生物反应器内细胞培养过程的在线光谱；

5、（3）参考值分析仪器，可配有工作站，包括细胞计数仪、生化分析仪、血气分析仪、液相色谱仪、液质联用仪等，用于以标准方法分析细胞培养过程样品的相关指标，得到参考值；

6、（4）数据库，用于自动或手动存储在线光谱与参考值；

7、（5）在线监测方法自动开发模块，通过自动匹配在线光谱与参考值，自动建立并优化多元校正模型；

8、（6）在线监测模块，调用优化的多元校正模型和在线光谱，用于在线监测细胞培养过程。

9、在一个实施方案中，所述细胞培养方式包括批培养、流加培养和灌流培养等。

10、在一个实施方案中，所述在线光谱仪包括近红外光谱仪、拉曼光谱仪等；优选拉曼光谱仪，拉曼光谱仪激光波长可选532 nm、785 nm和1064 nm。

11、在一个实施方案中，所述在线光谱仪产生在线光谱数据，可选配有工作站用于存储所述在线光谱数据。

12、在一个实施方案中，所述相关指标包括以下一种或多种：ph、二氧化碳分压、氧气分压、活细胞密度、总细胞密度、活率、细胞直径、代谢物浓度（如葡萄糖浓度、乳酸浓度、谷氨酰胺浓度、谷氨酸浓度）、铵离子浓度、钾离子浓度、钠离子浓度、钙离子浓度、渗透压、目的蛋白表达量、目的蛋白质量属性等。所述参考值分析仪器用于检测上述指标，上述相关指标通过仪器本身或所配工作站获取；所述工作站用于实现信号处理与数据分析功能。

13、在一个实施方案中，所述在线光谱仪与参考值分析仪器分别产生在线光谱与待测指标参考值后，相关数据从仪器本身或所配工作站通讯至数据库自动将其数据存储；在无法实现自动存储数据的情况下，相关数据通过手动方式存储。存储的数据包括：在线光谱采集时间、在线光谱文件名、在线光谱采集参数、在线光谱、取样时间、样本名称、样本相关参考值、参考值分析时间等。

14、在一个实施方案中，所述在线监测方法自动开发模块，功能包括自动将在线光谱与参考值匹配，组成校正集，并根据需求选择待测指标，实现多元校正模型的自动建立并优化。可供优化的项目包括回归算法、光谱预处理方法、光谱范围、模型参数等。在无法完全实现该模块自动化的情况下，可手动按需求执行相关步骤。

15、在一个实施方案中，所述在线监测模块，功能包括调用所建校正模型，并将在线光谱代入模型，输出预测值，实现细胞培养过程的在线监测。

16、在一个实施方案中，以系统运行过程中数据采集、传输、存储、整理、分析等功能自动化实现程度评价系统功能完整性。

17、本发明涉及一种细胞培养过程在线智能监测方法，包括：

18、（1）细胞培养过程中，在线光谱仪通过浸入式探头采集生物反应器内细胞培养液在线光谱，取样得到细胞培养液样品，记录取样时间，使用参考值分析仪器以标准方法检测细胞培养液相关指标，得到参考值；

19、（2）在线光谱和参考值自动或手动存储至数据库中，通过比较光谱采集时间与取样时间，将光谱与参考值自动匹配，使用不同校正集构建策略，构建校正集；

20、（3）通过给定可供选择的光谱预处理方法、光谱范围、回归算法、模型参数等，自动建立并优化光谱与指标间的多元校正模型；

21、（4）在线光谱导入校正模型，实现细胞培养过程在线监测。

22、在一个实施方案中，步骤（1）所述细胞培养过程方式包括批培养、流加培养和灌流培养等。

23、在一个实施方案中，步骤（1）所述在线光谱仪包括近红外光谱仪、拉曼光谱仪等；优选拉曼光谱仪，拉曼光谱仪激光波长可选532 nm、785 nm和1064 nm。

24、在一个实施方案中，步骤（1）所述在线光谱仪产生在线光谱数据，可选配有工作站用于存储所述在线光谱数据。

25、在一个实施方案中，步骤（1）所述相关指标包括以下一种或多种：ph、二氧化碳分压、氧气分压、活细胞密度、总细胞密度、活率、细胞直径、代谢物浓度（如葡萄糖浓度、乳酸浓度、谷氨酰胺浓度、谷氨酸浓度）、铵离子浓度、钾离子浓度、钠离子浓度、钙离子浓度、渗透压、目的蛋白表达量、目的蛋白质量属性等。所述参考值分析仪器用于检测上述指标，上述相关指标通过仪器本身或所配工作站获取；所述工作站用于实现信号处理与数据分析功能。

26、在一个实施方案中，步骤（2）所述在线光谱仪与参考值分析仪器分别产生在线光谱与待测指标参考值后，相关数据从仪器本身或所配工作站通讯至数据库自动将其数据存储；在无法实现自动存储数据的情况下，相关数据通过手动方式存储。存储的数据包括：在线光谱采集时间、在线光谱文件名、在线光谱采集参数、在线光谱、取样时间、样本名称、样本相关参考值、参考值分析时间等。

27、在一个实施方案中，步骤（2）所述光谱与参考值匹配规则为，根据取样时间，选择光谱采集期间包含该取样时间的光谱，或与取样时间间隔最小的光谱。

28、在一个实施方案中，步骤（2）所述校正集构成策略，优选随批次数据累积，根据需求选择待测指标，使用相同品种所有历史过程数据构成校正集，用于步骤（3）自动建模并优化，用于监测新批次细胞培养过程。

29、在一个实施方案中，步骤（3）所述多元校正模型自动建立并优化过程中，可供优化的项目包括回归算法、光谱预处理方法、光谱范围、模型参数等。

30、在一个实施方案中，步骤（3）中所述模型优化评价指标为校正集交叉验证均方根误差rmsecv；rmsecv越小，表明模型性能越好。

31、在一个实施方案中，步骤（4）中在线光谱代入步骤（3）所得优化模型，输出相关指标预测值，实现细胞培养过程在线监测。

32、在一个实施方案中，步骤（2）-（4）中在无法完全实现自动化的情况下，可手动按需求执行相关步骤。

33、与现有技术相比，本发明具有以下有益效果：优化传统在线分析方法开发流程中存在的技术难题，提高方法开发自动化、信息化、智能化程度，最大程度地降低对人员经验的依靠，减少繁琐操作，提高在线分析方法开发效率，利于细胞培养过程精准调控。

34、本发明的创新性包括：1）实现了系统中分析方法开发过程中数据获取、模型建立、优化、更新自动化：分析物浓度可实现自动从参考值分析仪器获取，可统一汇总、管理，且模型建立、优化及更新可实现自动化，模型开发最大程度上不依赖人工操作和经验，降低人力成本、提高数据记录准确性、降低模型开发难度、减少耗时等问题，提高了整个系统自动化、信息化程度，提高方法性能及实施效率；2）实现了系统多指标监测：包括ph、二氧化碳分压、氧气分压、活细胞密度、总细胞密度、活率、细胞直径、代谢物浓度（如葡萄糖浓度、乳酸浓度、谷氨酰胺浓度、谷氨酸浓度）、铵离子浓度、钾离子浓度、钠离子浓度、钙离子浓度、渗透压、目的蛋白表达量、目的蛋白质量属性等若干指标的一种或多种，充分反映细胞培养这一复杂过程信息，有利于该过程的充分理解及优化。本发明提高方法开发自动化、信息化、智能化程度，最大程度地降低对人员经验的依靠，减少繁琐操作，提高在线分析方法开发效率，利于细胞培养过程精准调控。