pH Verisi, CHO Kültüründe Laktat Kaçışını 5. Günde Öngörüyor

10 Kasım 2026
3 dk dk okuma süresi
pH Verisi, CHO Kültüründe Laktat Kaçışını 5. Günde Öngörüyor

Fed-batch CHO (Chinese hamster ovary) kültürlerinde laktat yönetimi, biyofarmasötik üretimin en inatçı sorunlarından biri. University College London (UCL) ve AstraZeneca araştırmacıları, mekanistik modelleme ile veri odaklı yaklaşımı birleştiren yeni bir hibrit model tanıttı. Model, hem laktatın geri metabolizmasını (lactate back-metabolism) hem de laktat kaçışını (lactate run-away) yakalıyor. Canlı hücre yoğunluğu, monoklonal antikor (mAb), glukoz ve laktat konsantrasyonlarını biyoproses sırasında gerçek zamanlı tahmin edebiliyor.

Sorun: Hücreler laktat anahtarını çevirmezse

Çalışmanın baş araştırmacısı Dr. Li Qin ile UCL’de dijital biyoproses mühendisliği doçenti Dr. Stephen Goldrick’e göre, fed-batch CHO kültürlerinde hücreler normalde laktat üretiminden laktat tüketimine geçer. Geçiş gerçekleşmezse kültür laktat kaçışına girer. Bu durum parti kaybına ya da belirgin biçimde düşük titreye yol açabilir.

“Bu model önemli bir endüstriyel sorunu ele alıyor. Bu geçiş yeterince anlaşılmış değil ve nadiren kontrol ediliyor.” (Stephen Goldrick, GEN’e açıklamasında)

pH, yazılımsal sensör olarak

Modelin en dikkat çeken bileşeni, laktat geçişini algılayan algoritma. Goldrick’in anlattığına göre sistem, pH’yi bir yazılımsal sensör (soft sensor) olarak kullanıyor ve hücrelerin laktat geri metabolizmasına girip girmeyeceğini yaklaşık beşinci günde öngörüyor. Bu bilgi kontrol stratejisine eklenebilir. Böylece proses, laktat kaçışından kaçınacak şekilde erkenden ayarlanabilir.

Araştırmacılar bu yaklaşımın, partiler arası değişkenliği ve başarısız çalışmaları sürecin erken aşamasında tahmin etmek isteyen üreticiler için ek bir araç sunduğunu belirtiyor.

Üç yönlü yenilik

Ekip, yaklaşımın yeniliğini üç başlıkta özetliyor:

  • CHO hücrelerinin büyüme ve ölüm dinamiklerini daha doğru tanımlayan yeni kinetik denklemler,
  • Değişen proses koşullarında metabolik geçişleri daha iyi yakalayan, laktat üretimi ve tüketimine ilişkin yeni denklemler,
  • Çevrimiçi ve çevrimdışı ölçümleri modele dinamik olarak katan, laktat geçişi algılama algoritmasıyla bütünleşik uyarlanabilir kinetik güncelleme.

Model nasıl eğitildi?

Eğitimde pH değerleri, glukoz akış hızları ve diğer besin beslemeleri gibi çevrimiçi veriler kullanıldı. Bunlara rastgele çalışmalardan biriken glukoz, laktat ve mAb konsantrasyonları ile hücre yoğunlukları gibi geçmiş veriler eklendi. Veri seti şu şekilde dağıldı:

  • Laktat üretiminden tüketimine geçen (geri metabolizma gösteren) beş çalışma eğitim için kullanıldı.
  • Üç çalışma tahmin performansını değerlendirmek için ayrıldı.
  • Laktat kaçışı gösteren, yani kültürün laktat üretmeye devam ettiği bir çalışma veri setine dahil edildi.
  • Ayrıca harici bir laktat kaçışı senaryosu test edildi.

Bu kurgu, hangi parametrelerin çevrimiçi verilerle doğru tahmin edilebildiğini, hangilerinin yüksek değişkenlik nedeniyle gerçek zamanlı ve geçmiş verilerin birlikte kullanıldığı ince ayar gerektirdiğini ayırt etmeyi sağladı. Araştırmacılara göre bu hedefli strateji, tam yeniden kalibrasyona kıyasla model güncelleme süresini belirgin biçimde kısaltırken tahmin doğruluğunu koruyor.

İnce ayarla gelen iyileşme

Ekip, ilk modeldeki yüzde 88’lik doğruluk oranını ince ayarla daha da iyileştirdi. Kök ortalama kare hata (root mean squared error) glukozda yaklaşık yüzde 50, laktatta yaklaşık yüzde 30 azaldı.

Sınırlar ve sonraki adımlar

Araştırmacılar, on çalışmanın görece küçük bir eğitim ve doğrulama seti olduğunu kendileri de kabul ediyor. Buna karşın modelin bu çalışmalardaki tahminleri ölçülen değerlerle yakından örtüştü ve bu durum yaklaşımın endüstriye katkı sağlayabileceğini düşündürüyor. Sonraki aşamada model, amino asit tüketimi, amonyak birikimi, ozmolalite dinamikleri ve ürün kalite özelliklerini de kapsayacak şekilde genişletilecek.

Neden önemli?

Laktat geçişinin erken algılanması, başarısız bir partiyi üretimin ortasında değil, ilk günlerde fark etmek anlamına geliyor. Rutin olarak izlenen pH verisinin bu amaçla kullanılabilmesi de ek bir sensör yatırımı gerekmeden kontrol stratejisine girdi sağlama olasılığını doğuruyor. Yine de çalışmanın küçük veri seti nedeniyle farklı hücre hatları, ölçekler ve proses koşullarında doğrulanması gerekecek.

Haber kaynağı: GEN

Editör Yorumu!

CHO fed-batch süreçleriyle çalışan proses geliştirme ekipleri için asıl çıkarım, rutin kaydedilen pH ve besleme verisinin laktat geçişini erken göstermek üzere kullanılabilmesidir. Bu, başarısız bir partiyi beşinci gün civarında öngörme ve beslemeyi buna göre ayarlama imkânı demek. Uygulamak isteyen bir laboratuvarın önce kendi pH kayıtlarının sıklığını ve kalitesini, glukoz-laktat-mAb numune alma programını ve geçmiş parti verisinin düzenini gözden geçirmesi gerekir. Çünkü model, çevrimiçi ölçümleri geçmiş verilerle birleştirerek ince ayar yapıyor. Eğitim setinin yalnızca on çalışmadan oluştuğu unutulmamalı. Kendi hücre hattı ve ölçeğinizde doğrulama yapmadan kontrol stratejisine bağlamak erken olur. Bir sonraki adımda amino asit, amonyak, ozmolalite ve ürün kalitesi özelliklerinin modele eklenip eklenmeyeceğini izlemek değerli olacaktır.

Laktat kaçışı, fed-batch CHO kültüründe hücrelerin laktat üretiminden tüketimine geçemeyip laktat üretmeye devam etmesidir. Bu durum parti kaybına ya da belirgin biçimde düşük titreye yol açabilir.

Laktat geri metabolizması, hücrelerin kültürün ilerleyen aşamasında laktat üretmekten laktatı tüketmeye geçmesidir. Fed-batch CHO kültürlerinde normal beklenen davranış budur ve geçiş gerçekleşmezse laktat kaçışı ortaya çıkar.

Hibrit modelde pH, soft sensör olarak kullanılan bir algoritmaya girdi oluyor ve hücrelerin laktat geri metabolizmasına girip girmeyeceğini yaklaşık beşinci günde tahmin ediyor. Model, pH, glukoz akış hızı ve besleme gibi çevrimiçi verileri geçmiş verilerle birleştiriyor. Eğitim seti yalnızca on çalışma olduğundan farklı hücre hatlarında ve ölçeklerde doğrulama gerekiyor.

Bülten Aboneliği

Sosyal Medyada Paylaşın

LabHaber

Tüm Hakları Saklıdır © 2026 - Tasarım ve Yazılım: brain.work

labhaber, laboratuvar, analiz, biyoteknoloji ve test alanlarında faaliyet gösteren profesyoneller için hazırlanmış bağımsız bir sektörel haber platformudur.