
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.
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)
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.
Ekip, yaklaşımın yeniliğini üç başlıkta özetliyor:
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:
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.
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.
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.
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
Tüm Hakları Saklıdır © 2026 - Tasarım ve Yazılım: brain.work