數(shù)據(jù)驅(qū)動的細(xì)胞培養(yǎng)基優(yōu)化：機器學(xué)習(xí)助力生物醫(yī)學(xué)進(jìn)步
1. 研究背景與挑戰(zhàn)
核心問題：哺乳動物細(xì)胞培養(yǎng)中，培養(yǎng)基成分的復(fù)雜互作導(dǎo)致傳統(tǒng)優(yōu)化方法（如實驗設(shè)計DoE）效率低下。
現(xiàn)有局限：經(jīng)驗依賴性強，易受人為偏差影響；難以平衡細(xì)胞生長速率（96小時）與最終產(chǎn)量（168小時）。
技術(shù)機遇：主動機器學(xué)習(xí)（Active ML）可通過“預(yù)測-驗證”閉環(huán)減少實驗量，實現(xiàn)多參數(shù)同步優(yōu)化。
2. 創(chuàng)新方法：從傳統(tǒng)DoE到智能ML
本研究技術(shù)路線如圖1）如所示：
圖1 技術(shù)路線圖
1）模型構(gòu)建：
細(xì)胞模型：HeLa-S3細(xì)胞（人宮頸癌細(xì)胞系）
基礎(chǔ)培養(yǎng)基：EMEM（含31種成分）
算法：梯度提升決策樹（GBDT）
2）雙模式優(yōu)化：
常規(guī)模式（R）：基于168小時細(xì)胞濃度數(shù)據(jù)優(yōu)化最終產(chǎn)量
節(jié)時模式（TS）：基于96小時數(shù)據(jù)預(yù)測168小時產(chǎn)量（利用早期-晚期濃度相關(guān)性）
3）四輪主動學(xué)習(xí)：
初始生成209種梯度培養(yǎng)基
每輪篩選15-22種高潛力培養(yǎng)基實驗驗證
迭代更新訓(xùn)練集（共503組數(shù)據(jù)）
3. 關(guān)鍵結(jié)果
1）培養(yǎng)基優(yōu)化效能
細(xì)胞濃度提升：
R模式：11種培養(yǎng)基168小時濃度顯著高于EMEM（最高提高50%）
TS模式：10種培養(yǎng)基96小時濃度提升，但僅30%維持至168小時
模型精度：
四輪迭代后預(yù)測誤差（RMSE）降低40%（ p<0.05）
數(shù)據(jù)標(biāo)準(zhǔn)化（Fold Change, FC）較原始數(shù)據(jù)（C）提升模型魯棒性
圖2 R/TS模式效能對比
2）關(guān)鍵成分鑒定
特征重要性分析：9種成分貢獻(xiàn)80%生長影響（如谷氨酰胺升高、半胱氨酸降低）
時序差異：甲硫氨酸僅晚期（168小時）關(guān)鍵
圖3 培養(yǎng)基成分對細(xì)胞培養(yǎng)的關(guān)鍵影響
A.不同模型下細(xì)胞培養(yǎng)產(chǎn)量的分布；B.重要性排名前9的成分（累積貢獻(xiàn)80%）
規(guī)模放大驗證：
最優(yōu)培養(yǎng)基R445：168小時濃度提高50%（p <0.01）
成分共性：R445與失效培養(yǎng)基TS471均缺失磷酸氫鈉和硫胺素
3） 轉(zhuǎn)錄組機制解析
基因表達(dá)重編程：
R445激活增殖通路（如細(xì)胞發(fā)育相關(guān)GO term）
TS471引發(fā)表達(dá)紊亂（差異基因數(shù)↑100倍）
功能富集：
R445特異性富集：細(xì)胞周期調(diào)控基因（如mTORC1通路）
EMEM富集：代謝調(diào)控基因
圖4 基因表達(dá)變化與培養(yǎng)基優(yōu)化的關(guān)聯(lián)性研究
4. 討論與局限
1）模式對比
R模式：穩(wěn)定提升最終產(chǎn)量（C1簇占比提高）
TS模式：節(jié)省50%實驗時間，但33%培養(yǎng)基因“生長-產(chǎn)量權(quán)衡”失效（C2簇）
2）技術(shù)突破
數(shù)據(jù)驅(qū)動閉環(huán)：首次整合ML預(yù)測→實驗驗證→轉(zhuǎn)錄組反饋
節(jié)時策略：利用96/168小時濃度相關(guān)性（r=0.82）加速優(yōu)化
3）局限與展望
細(xì)胞普適性：當(dāng)前僅驗證HeLa細(xì)胞，需拓展至原代/干細(xì)胞
血清依賴：含F(xiàn)BS培養(yǎng)基成分不透明，下一步開發(fā)無血清方案
算法升級：引入時間序列數(shù)據(jù)提升TS模式穩(wěn)定性
5. 應(yīng)用價值
生物制藥：快速定制單抗生產(chǎn)培養(yǎng)基（成本降低30%）
再生醫(yī)學(xué)：優(yōu)化干細(xì)胞擴增體系
開源資源：
代碼庫：https://github.com/yuki020527/medium_optimization
RNA-seq數(shù)據(jù)：DRA017793 (DDBJ)
總之，本研究建立了主動機器學(xué)習(xí)驅(qū)動的培養(yǎng)基優(yōu)化新范式，通過雙模式迭代和轉(zhuǎn)錄組驗證，突破傳統(tǒng)方法瓶頸。其中四輪迭代減少60%實驗量，并發(fā)現(xiàn)9種核心成分及時序調(diào)控規(guī)律，為生物制造與精準(zhǔn)醫(yī)療提供工具包。
參考文獻(xiàn)：Y Ozawa, T Hashizume, BW Ying. (2025). A data-driven approach for cell culture medium optimization. Biochemical Engineering Journal, 241, 109591. https://doi.org/10.1016/j.bej.2024.109591
來源：微生物安全與健康網(wǎng)，作者~陳諾。
