模型在降溫前生長期（36.5 °C）能夠較好再現(xiàn)細(xì)胞生長和代謝行為，對VCD、乳酸及抗體滴度的擬合精度較高（R2>0.87）。在降溫后的生產(chǎn)階段（33 °C），盡管細(xì)胞動力學(xué)特性發(fā)生變化，模型仍能穩(wěn)定預(yù)測滴度演化趨勢，滴度擬合R2提升至0.98。

在此基礎(chǔ)上，模型評估了五種不同的TS?VCD×Feed組合，預(yù)測結(jié)果表明，在較高VCD條件下進(jìn)行降溫并配合增強(qiáng)補(bǔ)料，有助于顯著提高最終抗體滴度（圖?1），且預(yù)測與實測結(jié)果高度一致（R2≈0.80-0.98）。該案例表明，機(jī)理建模不僅能夠解釋溫度切換引發(fā)的代謝與生產(chǎn)力變化，還可在實驗前對工藝策略進(jìn)行定量篩選，對溫度?代謝強(qiáng)耦合問題具有顯著工程優(yōu)勢。

ANN模型在訓(xùn)練與驗證數(shù)據(jù)集上的平均絕對誤差約1.25 %。如圖2所示，在不同半乳糖和錳離子補(bǔ)料條件下，模型能夠準(zhǔn)確預(yù)測糖型由低半乳糖化結(jié)構(gòu)GnGn（G0F）向GnGnF/AGnF（G1F），再到AAF（G2F）的整體遷移趨勢，且預(yù)測結(jié)果與實驗測量在各主要糖型比例上保持高度一致（圖2C）。

在未參與訓(xùn)練的獨立驗證條件中，模型同樣能夠較好地再現(xiàn)實驗中糖型分布的變化特征，對糖型比例變化的方向與相對幅度均具有良好的預(yù)測能力。主成分分析（PCA）結(jié)果顯示，ANN預(yù)測數(shù)據(jù)與實驗數(shù)據(jù)在低維空間中高度重疊，表明模型成功捕捉多種糖型之間的協(xié)同變化關(guān)系，體現(xiàn)出良好的泛化能力與外推可靠性。該研究結(jié)果表明，ANN等數(shù)據(jù)驅(qū)動模型能夠在多輸入、高非線性的糖基化問題中，對不同工藝調(diào)控策略下的糖型分布給出可靠預(yù)測，適用于探索尚未實際測試的補(bǔ)料或添加劑組合，從而在保證質(zhì)量可控的前提下加速工藝開發(fā)并降低實驗成本。

在糖型調(diào)節(jié)劑推薦上，HyClone Glycan Supplement（SH31210）可提供一種在不影響細(xì)胞生長和產(chǎn)量的前提下，定向降低G0F并提高G1F/G2F等目標(biāo)糖型比例的添加劑。將此類物料與模型預(yù)測相結(jié)合，進(jìn)一步提升糖型調(diào)控策略的可執(zhí)行性，推動CQA從“經(jīng)驗調(diào)整”走向“模型指導(dǎo)”。

模型結(jié)果顯示，多種金屬元素與電荷變體比例存在顯著相關(guān)性。其中，Fe與酸性變體呈顯著正相關(guān)（PCC≈+0.55），而Zn與酸性變體呈顯著負(fù)相關(guān)（PCC≈?0.72），提示這些微量元素可能通過影響蛋白翻譯后修飾或細(xì)胞內(nèi)酶活性，進(jìn)而調(diào)控產(chǎn)品質(zhì)量屬性。在多模型比較中，Gradient Boosting Regressor（GBR）表現(xiàn)出最佳綜合性能，預(yù)測R2約0.93，并在不同條件下保持穩(wěn)定準(zhǔn)確性。

基于GBR模型結(jié)果，研究針對Run?625數(shù)據(jù)對實現(xiàn)目標(biāo)電荷變體分布的培養(yǎng)基組合進(jìn)行了預(yù)測與篩選。模型以原研對照分子的電荷變體分布為目標(biāo)（酸性變體 24.97±0.54 %，堿性變體11.41±1.44 %），預(yù)測Fe的最優(yōu)范圍為10–25 ppm（最佳值約20 ppm），Zn的最優(yōu)范圍為5.5–12.5 ppm（最佳值約5.5 ppm）。按照模型推薦條件，開展fed-batch驗證實驗。結(jié)果顯示，補(bǔ)充條件下酸性變體顯著向目標(biāo)區(qū)間移動（圖?3A），同時堿性變體比例維持在與原研對照一致的水平（圖?3B），整體電荷變體分布成功復(fù)現(xiàn)參考分子特征。與此同時，補(bǔ)充Fe和Zn并未對整體細(xì)胞培養(yǎng)性能產(chǎn)生負(fù)面影響（圖3C、3D、3F）。

該案例清楚表明，在高維培養(yǎng)基空間中，單純依賴機(jī)理模型或經(jīng)驗DoE難以覆蓋復(fù)雜的非線性關(guān)系，而純數(shù)據(jù)模型又缺乏生物學(xué)約束。通過將機(jī)理理解、統(tǒng)計篩選與機(jī)器學(xué)習(xí)預(yù)測相結(jié)合，混合模型能夠在保持可解釋性的同時，大幅提升CQA預(yù)測與培養(yǎng)基優(yōu)化的成功率。

在該混合建?？蚣苤校Ｐ妥R別出的關(guān)鍵金屬離子與培養(yǎng)基因子，并不直接要求改變配方結(jié)構(gòu)，而更強(qiáng)調(diào)對“有效成分穩(wěn)定性”的控制。HyClone Metallica通過對原材料中關(guān)鍵微量元素的系統(tǒng)表征與精確分選，使模型識別出的質(zhì)量驅(qū)動因子在工業(yè)實現(xiàn)中具備可重復(fù)性和可控性。與此同時，HyClone CCMD服務(wù)可提供培養(yǎng)基與補(bǔ)料定制化開發(fā)方案，使培養(yǎng)基成分從統(tǒng)計識別走向工程落地。

1. Kavoni H. et?al., Recent advances in culture medium design for enhanced production of monoclonal antibodies in CHO cells: A comparative study of machine learning and systems biology approaches. Biotechnology Advances, 2024,

2. Wang Z. et?al., Kinetic modeling: A tool for temperature shift and feeding optimization in cell culture process development. Protein Expression and Purification, 2022

3. Kotidis P. & Kontoravdi C., Harnessing the potential of artificial neural networks for predicting protein glycosylation. Metabolic Engineering Communications, 2020

4. Gangwar N. et?al.,Explainable AI for CHO cell culture media optimization and prediction of critical quality attribute. Applied Microbiology and Biotechnology