细胞培养是一项广泛用于药物生产,再生医学,食品科学和材料工程等领域的基础技术。成功细胞培养的关键成分是培养基 - A含有支持细胞生长的必需营养素的溶液。因此,为特定应用优化培养基至关重要。最近,机器学习已成为有效媒体优化的强大工具。但是,用于训练此类模型的实验数据通常表现出由实验程序或设备的细胞行为和噪声波动引起的生物变异性。这种可变性可以显着降低机器学习模型的预测准确性。
在这项研究中,研究人员开发了一种机器学习模型,该模型明确解释了生物学变异性,并将其应用于确定无血清培养基的最佳配方。在各种培养基中培养了CHO-K1细胞(源自中国仓鼠的卵巢),并测量细胞浓度以量化生物学变异性。研究人员将中等成分,生物学变异性和细胞密度的数据集成到了合并多种算法的机器学习框架中。他们进一步采用了主动学习 - 模型培训和实验验证的迭代周期。
结果,他们成功地开发了一种无血清的培养基,该培养基的细胞密度比市售产品高约1.6倍。由于该培养基是针对CHO-K1细胞进行了专门优化的,因此该研究证明了该模型捕获单个细胞类型的独特营养需求的能力。这些发现有望有助于开发用于药物制造和再生医学的更有效的培养基。鉴于生物学可变性是生物学实验固有的,因此所提出的方法在生物学研究的不同领域中具有广泛的适用性。
这项工作得到了JSPS KAKENHI赠款编号21K19815和25K22838(对BWY)和JP25KJ0680(TO TH)的支持。