CN116925908A - 一种细胞培养过程在线智能监测系统和方法 - Google Patents
一种细胞培养过程在线智能监测系统和方法 Download PDFInfo
- Publication number
- CN116925908A CN116925908A CN202311188106.4A CN202311188106A CN116925908A CN 116925908 A CN116925908 A CN 116925908A CN 202311188106 A CN202311188106 A CN 202311188106A CN 116925908 A CN116925908 A CN 116925908A
- Authority
- CN
- China
- Prior art keywords
- online
- spectrum
- cell culture
- reference value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004113 cell culture Methods 0.000 title claims abstract description 113
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000011161 development Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims description 143
- 238000012937 correction Methods 0.000 claims description 58
- 239000000523 sample Substances 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 238000001069 Raman spectroscopy Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 102000004169 proteins and genes Human genes 0.000 claims description 15
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000007654 immersion Methods 0.000 claims description 11
- 239000002207 metabolite Substances 0.000 claims description 10
- 239000013307 optical fiber Substances 0.000 claims description 10
- 238000010561 standard procedure Methods 0.000 claims description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 claims description 8
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims description 8
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 claims description 8
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 229910001424 calcium ion Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 230000003204 osmotic effect Effects 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910001414 potassium ion Inorganic materials 0.000 claims description 8
- 229910001415 sodium ion Inorganic materials 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 7
- 230000010412 perfusion Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000035899 viability Effects 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 38
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 28
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 22
- 239000008103 glucose Substances 0.000 description 22
- 238000012360 testing method Methods 0.000 description 15
- 235000014655 lactic acid Nutrition 0.000 description 14
- 239000004310 lactic acid Substances 0.000 description 14
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 7
- 238000001237 Raman spectrum Methods 0.000 description 7
- ZDXPYRJPNDTMRX-UHFFFAOYSA-N glutamine Natural products OC(=O)C(N)CCC(N)=O ZDXPYRJPNDTMRX-UHFFFAOYSA-N 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013922 glutamic acid Nutrition 0.000 description 4
- 239000004220 glutamic acid Substances 0.000 description 4
- 239000012491 analyte Substances 0.000 description 3
- 229960000074 biopharmaceutical Drugs 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 229930195712 glutamate Natural products 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000010261 cell growth Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012306 spectroscopic technique Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001042 affinity chromatography Methods 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 239000012930 cell culture fluid Substances 0.000 description 1
- 210000004978 chinese hamster ovary cell Anatomy 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 235000001727 glucose Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/48—Automatic or computerized control
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/26—Means for regulation, monitoring, measurement or control, e.g. flow regulation of pH
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/32—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of substances in solution
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/38—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of metabolites or enzymes in the cells
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/40—Means for regulation, monitoring, measurement or control, e.g. flow regulation of pressure
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/46—Means for regulation, monitoring, measurement or control, e.g. flow regulation of cellular or enzymatic activity or functionality, e.g. cell viability
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Sustainable Development (AREA)
- Microbiology (AREA)
- General Engineering & Computer Science (AREA)
- Biotechnology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Cell Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种细胞培养过程在线智能监测系统，包括：（1）生物反应器，（2）在线光谱仪，（3）参考值分析仪器，（4）数据库，（5）在线监测方法自动开发模块，（6）在线监测模块。本发明还涉及一种细胞培养过程在线智能监测方法，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。
Description
技术领域
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技术领域。
背景技术
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。
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。
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。
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。
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；
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。
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。
发明内容
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。
本发明涉及一种细胞培养过程在线智能监测系统，包括：
（1）生物反应器，用于实现细胞培养过程；
（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；
（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；
（4）数据库，用于自动或手动存储在线光谱与参考值；
（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；
（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。
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。
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。
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。
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。
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。
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。
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。
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。
本发明涉及一种细胞培养过程在线智能监测方法，包括：
（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；
（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；
（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；
（4）在线光谱导入校正模型，实现细胞培养过程在线监测。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
附图说明
图1为实施例1中细胞培养过程在线智能监测系统示意图；
图2为实施例2中CHO细胞培养过程的在线拉曼光谱图；
图3为实施例2中使用6批次数据所建定量校正模型预测值与参考值的相关图,其中，A：葡萄糖；B：乳酸；C：细胞密度；
图4为实施例2中使用6批次数据所建模型对测试集（批次7）的预测结果（A：葡萄糖；B：乳酸；C：细胞密度；
图5为实施例2中使用12批次数据所建定量校正模型预测值与参考值的相关图，其中A：葡萄糖；B：乳酸；C：细胞密度；
图6为实施例2中使用12批次数据所建模型对测试集（批次13）的预测结果，其中A：葡萄糖；B：乳酸；C：细胞密度。
具体实施方式
下面结合具体实施例来进一步描述本发明，本发明的优点和特点将会随着描述而更为清楚。但实施例仅是范例性的，并不对本发明的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改和替换，但这些修改和替换均落入本发明的保护范围内。
实施例1：
一种细胞培养过程在线智能监测系统，如图1所示，包括：
（1）生物反应器，用于实现细胞培养过程；
（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；
（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；
（4）数据库，用于自动或手动存储在线光谱与参考值；
（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；
（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。
实施例2
一种细胞培养过程在线智能监测方法，包括：
（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；
（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；
（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；
（4）在线光谱导入校正模型，实现细胞培养过程在线监测。
在本实施例中，以流加细胞培养产生单克隆抗体（简称单抗）；所述细胞培养过程在线监测系统和方法，适用于其他品种细胞培养过程监测；所述在线拉曼光谱仪激光波长为785 nm，CCD检测器，光谱范围为100 - 3425 cm-1，曝光参数为25 s × 30，光谱扣除暗电流，使用浸入式探头连续采集生物反应器内细胞培养液的在线拉曼光谱，存储于工作站中。在线采集的细胞培养液原始拉曼光谱如图2所示。
在本实施例中，相关指标包括：活细胞密度、总细胞密度、活率、细胞直径（使用Countstar IC1000型全自动细胞计数仪检测）；pH、二氧化碳分压、氧气分压（使用SIEMENSRAPIDLab 348EX血气分析仪检测）；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（使用西尔曼M-900型生化分析仪检测）；单抗表达量（使用亲和色谱法检测）。上述相关指标通过参考值分析仪器本身或所配工作站存储。
在本实施例中，在线拉曼光谱与参考值分析仪器（细胞计数仪、血气分析仪、生化分析仪、液相色谱仪）分别产生在线光谱与待测指标参考值后，通过手动方式将相关数据存储至数据库中；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、取样时间、样本名称、上述样本相关参考值。
在本实施例中，在线拉曼光谱与参考值匹配，匹配规则为选择光谱采集期间包含该取样时间的光谱；选择不同数量批次的数据构成校正集，以葡萄糖浓度、乳酸浓度、细胞密度为待测指标，以偏最小二乘（PLS）算法建立多元校正模型，通过考察不同光谱预处理方法、不同建模光谱范围，优化模型；以校正集交叉验证均方根误差RMSECV为模型优化及选择依据，RMSECV越小，表明模型性能越好。光谱数据预处理方法包括一阶导数（1stD）、二阶导数（2ndD）、标准正则变换（SNV）、Savitzky-Golay（SG）平滑及其组合；建模光谱范围包括100- 3425 cm-1、350 - 1775 + 2800 - 3100 cm-1、350 - 1775 cm-1。
为说明随批次数据积累，校正集构成有所不同，本实施例分别选择批次1-6和批次1-12构成校正集：当细胞培养进行6批次时，为实现批次7的实时监测，使用批次1-6数据构成校正集，以批次7细胞培养过程数据作为测试集；当细胞培养进行12批次时，为实现批次13的实时监测，使用批次1-12数据构成校正集，以批次13细胞培养过程数据作为测试集。以测试集预测均方根误差RMSEP评价模型对待测样本的预测能力，RMSEP越小，表明模型预测性能越好。
本实施例中，随细胞培养批次积累至6批次，首先以批次1-6数据构成校正集，以葡萄糖浓度、乳酸浓度、细胞密度为待测指标。考察不同光谱数据预处理方法、建模光谱范围对模型性能的影响。以校正集交叉验证均方根误差RMSECV作为模型优化评价指标，选择RMSECV值最小的模型为优选模型。以葡萄糖浓度指标为例，不同光谱数据预处理方法、建模光谱范围对模型的影响如表1所示。结果表明，对于葡萄糖定量校正模型，优选的光谱预处理方法为一阶导数，优选的建模光谱范围为350-1775 + 2800-3100 cm-1；经优化，模型性能显著提高，RMSECV值可降至0.29 g/L，模型性能较好。本实施例中其他指标模型的优化过程与上述过程类似。
表1 不同光谱预处理方法及光谱范围对葡萄糖模型性能的影响
以批次1-6数据构成校正集，经优化，葡萄糖浓度、乳酸浓度、细胞密度模型参数与性能如表2所示。模型预测值与参考值的相关图如图3所示。以批次7细胞培养过程数据作为测试集，以RMSEP评价模型对待测样本的预测能力，结果如表2和图4所示。图4为各指标拉曼预测值与实测值关系图。结果表明，对于葡萄糖模型，测试集RMSEP为0.26 g/L；对于乳酸模型，测试集RMSEP为0.13 g/L；对于细胞密度模型，测试集RMSEP为0.63 E6 cells/mL。各指标拉曼预测值与实测值变化趋势一致，该模型可实现对细胞培养过程上述3个指标的在线检测。
表2 各指标模型参数与性能（以批次1-6构成校正集）
本实施例中，随细胞培养批次积累至12批次，可用于建模的数据量增加，为提高模型预测性能与稳健性，继续更新模型，在上述以批次1-6为校正集的基础上，增加批次7-12的数据，以批次1-12数据构成校正集，以葡萄糖浓度、乳酸浓度、细胞密度为待测指标。考察不同光谱数据预处理方法、建模光谱范围对模型性能的影响。以校正集交叉验证均方根误差RMSECV作为模型优化评价指标，选择RMSECV值最小的模型为优选模型。经优化，葡萄糖浓度、乳酸浓度、细胞密度的模型参数与性能如表3所示。
表3 各指标模型参数与性能（以批次1-12构成校正集）
模型预测值与参考值的相关图如图5所示。以批次13细胞培养过程数据作为测试集，以RMSEP评价模型对待测样本的预测能力，结果如表3和图6所示。图6为各指标拉曼预测值与实测值关系图。结果表明，对于葡萄糖模型，测试集RMSEP为0.22 g/L；对于乳酸模型，测试集RMSEP为0.15 g/L；对于细胞密度模型，测试集RMSEP为0.50 E6 cells/mL。各指标拉曼预测值与实测值变化趋势一致，该模型可实现对细胞培养过程上述3个指标的在线检测。
实施例3：一种细胞培养过程在线智能监测系统，包括：
（1）生物反应器，用于实现细胞培养过程；
（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；
（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；
（4）数据库，用于自动或手动存储在线光谱与参考值；
（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；
（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；
所述细胞培养方式包括批培养、或流加培养、或灌流培养；所述在线光谱仪包括近红外光谱仪、拉曼光谱仪；优选拉曼光谱仪，拉曼光谱仪激光波长为532 nm、或785 nm和或1064 nm；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。
所述相关指标包括，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、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；所述代谢物浓度包括葡萄糖浓度、乳酸浓度、谷氨酰胺浓度、谷氨酸浓度；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。
实施例4：
一种细胞培养过程在线智能监测系统，包括：
（1）生物反应器，用于实现细胞培养过程；
（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；
（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；
（4）数据库，用于自动或手动存储在线光谱与参考值；
（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；
（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；
所述细胞培养方式包括批培养、或流加培养、或灌流培养；所述在线光谱仪包括近红外光谱仪、拉曼光谱仪；优选拉曼光谱仪，拉曼光谱仪激光波长为532 nm、或785 nm、或1064 nm；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；
所述相关指标包括，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、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；所述代谢物浓度包括葡萄糖浓度、乳酸浓度、谷氨酰胺浓度、谷氨酸浓度；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；
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；
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；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；
所述在线监测模块，功能包括调用所述的模型，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；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。
实施例5：
一种细胞培养过程在线智能监测方法，包括如下步骤：
（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；
（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；
（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；
（4）在线光谱导入校正模型，实现细胞培养过程在线监测。
实施例6：
一种细胞培养过程在线智能监测方法，其特征在于，包括如下步骤：
（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；
（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；
（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；
（4）在线光谱导入校正模型，实现细胞培养过程在线监测；
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；步骤（1）所述在线光谱仪为近红外光谱仪；所述代谢物浓度包括葡萄糖浓度、乳酸浓度、谷氨酰胺浓度、谷氨酸浓度；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获取；
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；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；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；
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；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；
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。
Claims (10)
1.一种细胞培养过程在线智能监测系统，其特征在于，包括：
（1）生物反应器，用于实现细胞培养过程；
（2）在线光谱仪，配有光纤、探头、工作站，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；
（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，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；
（4）数据库，用于自动或手动存储在线光谱与参考值；
（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；
（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。
2.根据权利要求1所述的细胞培养过程在线智能监测系统，其特征在于，所述细胞培养方式包括批培养、或流加培养、或灌流培养；所述在线光谱仪包括近红外光谱仪、拉曼光谱仪；优选拉曼光谱仪，拉曼光谱仪激光波长为532 nm、或785 nm和或1064 nm；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。
3.根据权利要求1所述的细胞培养过程在线智能监测系统，其特征在于，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、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；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。
4.根据权利要求1所述的细胞培养过程在线智能监测系统，其特征在于，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。
5.根据权利要求1所述的细胞培养过程在线智能监测系统，其特征在于，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；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。
6.根据权利要求5所述的细胞培养过程在线智能监测系统，其特征在于，所述在线监测模块，功能包括调用权利要求5所述的模型，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；以系统运行过程中数据采集、传输、存储、整理、分析功能自动化实现程度评价系统功能完整性。
7.一种细胞培养过程在线智能监测方法，其特征在于，包括如下步骤：
（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；
（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；
（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，自动建立并优化光谱与指标间的多元校正模型；
（4）在线光谱导入校正模型，实现细胞培养过程在线监测。
8.根据权利要求7所述的细胞培养过程在线智能监测方法，其特征在于，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；步骤（1）所述在线光谱仪包括近红外光谱仪、拉曼光谱仪；优选拉曼光谱仪，拉曼光谱仪激光波长为532 nm、或785 nm、或1064nm；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；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、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；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。
9.根据权利要求7所述的细胞培养过程在线智能监测方法，其特征在于，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；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；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；
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；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；
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。
10.根据权利要求7所述的细胞培养过程在线智能监测方法，其特征在于，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311188106.4A CN116925908A (zh) | 2023-09-15 | 2023-09-15 | 一种细胞培养过程在线智能监测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311188106.4A CN116925908A (zh) | 2023-09-15 | 2023-09-15 | 一种细胞培养过程在线智能监测系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116925908A true CN116925908A (zh) | 2023-10-24 |
Family
ID=88384702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311188106.4A Pending CN116925908A (zh) | 2023-09-15 | 2023-09-15 | 一种细胞培养过程在线智能监测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116925908A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853850A (zh) * | 2024-03-07 | 2024-04-09 | 威海紫光科技园有限公司 | 一种用于nk细胞培育过程中的检测评估系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071076A1 (en) * | 2017-10-06 | 2019-04-11 | Lonza Ltd. | AUTOMATED CONTROL OF CELL CULTURE BY SPECTROSCOPY RAMAN |
| CN113924355A (zh) * | 2019-05-28 | 2022-01-11 | 上海药明生物技术有限公司 | 用于监测和自动控制灌流细胞培养的拉曼光谱集成灌流细胞培养系统 |
| CN115985404A (zh) * | 2022-12-12 | 2023-04-18 | 无锡药明生物技术股份有限公司 | 监测和自动化控制生物反应器的方法和装置 |
-
2023
- 2023-09-15 CN CN202311188106.4A patent/CN116925908A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019071076A1 (en) * | 2017-10-06 | 2019-04-11 | Lonza Ltd. | AUTOMATED CONTROL OF CELL CULTURE BY SPECTROSCOPY RAMAN |
| CN111344558A (zh) * | 2017-10-06 | 2020-06-26 | 龙沙有限公司 | 使用拉曼光谱法自动控制细胞培养 |
| CN113924355A (zh) * | 2019-05-28 | 2022-01-11 | 上海药明生物技术有限公司 | 用于监测和自动控制灌流细胞培养的拉曼光谱集成灌流细胞培养系统 |
| CN115985404A (zh) * | 2022-12-12 | 2023-04-18 | 无锡药明生物技术股份有限公司 | 监测和自动化控制生物反应器的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| MAHMOUD GARGOTTI ET AL.: "Raman spectroscopy detects biochemical changes due to different cell culture environments in live cells in vitro", ANALYTICAL AND BIOANALYTICAL CHEMISTRY, pages 1 - 14 * |
| 阎续等: "拉曼光谱用于CHO 细胞培养液多指标快速分析", 高校化学工程学报, vol. 33, no. 4, pages 872 - 877 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853850A (zh) * | 2024-03-07 | 2024-04-09 | 威海紫光科技园有限公司 | 一种用于nk细胞培育过程中的检测评估系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tulsyan et al. | A machine‐learning approach to calibrate generic Raman models for real‐time monitoring of cell culture processes | |
| Giovenzana et al. | Rapid evaluation of craft beer quality during fermentation process by vis/NIR spectroscopy | |
| Li et al. | Parallel comparison of in situ Raman and NIR spectroscopies to simultaneously measure multiple variables toward real-time monitoring of CHO cell bioreactor cultures | |
| CN116925908A (zh) | 一种细胞培养过程在线智能监测系统和方法 | |
| Matthews et al. | Glucose monitoring and adaptive feeding of mammalian cell culture in the presence of strong autofluorescence by near infrared Raman spectroscopy | |
| Santos et al. | Improving reliability of Raman spectroscopy for mAb production by upstream processes during bioprocess development stages | |
| CN102879340A (zh) | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 | |
| Henriques et al. | Monitoring mammalian cell cultivations for monoclonal antibody production using near-infrared spectroscopy | |
| Rowland‐Jones et al. | At‐line raman spectroscopy and design of experiments for robust monitoring and control of miniature bioreactor cultures | |
| Graf et al. | A novel approach for non-invasive continuous in-line control of perfusion cell cultivations by Raman spectroscopy | |
| CN116052778A (zh) | 实时监测生物反应器中细胞培养液组分浓度的方法 | |
| CN110997928B (zh) | 判定多能干细胞的未分化状态的方法、多能干细胞的传代培养方法及这些方法中使用的装置 | |
| Luoma et al. | Workflow for multi-analyte bioprocess monitoring demonstrated on inline NIR spectroscopy of P. chrysogenum fermentation | |
| Pessoa et al. | Development of ant colony optimization (aco) algorithms based on statistical analysis and hypothesis testing for variable selection | |
| Sandor et al. | NIR spectroscopy for process monitoring and control in mammalian cell cultivation | |
| CN111474134A (zh) | 一种利用在线近红外进行丁酸发酵控制的方法 | |
| Chiappini et al. | Prospective inference of bioprocess cell viability through chemometric modeling of fluorescence multiway data | |
| KR102485512B1 (ko) | 미생물 발효에 의한 테트라아세틸파이토스핑고신 생산 공정을 제어하는 방법 및 장치 | |
| CN113607683A (zh) | 一种近红外光谱定量分析的自动建模方法 | |
| CN103048275A (zh) | 基于近红外光谱的自适应软仪表装置及其构造方法 | |
| Putra et al. | Estimation of acetic acid concentration from biogas samples using machine learning | |
| KR102382101B1 (ko) | 미생물 발효에 의한 단백질 생산 공정을 제어하는 방법 및 장치 | |
| CN116893164A (zh) | 一种基于doe实验设计的在线拉曼校准模型的建立方法 | |
| CN117216724A (zh) | 一种微生物培养过程中多种物质实时检测的方法 | |
| CN116952897A (zh) | 基于近红外光谱技术定量检测啤酒厂糖化麦汁浓度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |