El aprendizaje profundo reduce el tiempo de desarrollo de líneas celulares

Una empresa biofarmacéutica especializada en productos biológicos difíciles de producir ha desarrollado un modelo de aprendizaje profundo para predecir rápidamente la expresión de proteínas utilizando su proceso de producción basado en musgo. El modelo podría reducir el tiempo necesario para el desarrollo inicial de la línea celular de tres a cuatro meses a un día, según Benjamin Fode, Ph.D., jefe de ingeniería genética de Alleva, quien afirmó que se trata de un uso relativamente nuevo de las redes neuronales y que será implementado. En los programas de investigación y desarrollo de la empresa.

“Mi opinión personal es que estos modelos se utilizan principalmente para el descubrimiento y caracterización estructural de anticuerpos. Actualmente no se utilizan con frecuencia para predecir la expresión, especialmente para todo el proceso de producción", afirma. "No somos los únicos que hacemos esto, pero es bastante nuevo y está a la vanguardia de las prácticas industriales actuales".

Foday dice que este modelo equivale a examinar entre 8.000 y 10.000 construcciones para ver cuál funciona mejor para la producción de proteínas a gran escala. Las construcciones de mejor rendimiento pueden incorporarse al crecimiento de líneas celulares en el laboratorio húmedo.

flujo de trabajo general

"El flujo de trabajo típico suele utilizar modelos de aprendizaje superficial, como el diseño de experimentos, para probar la expresión de entre 40 y 100 constructos", añade. "Pero incluso cuando se tiene un ensayo basado en múltiples pocillos y se pueden examinar placas de 96 pocillos de forma semiautomática, la capacidad para realizar una gran cantidad de experimentos sigue siendo limitada".

Parece que más gatos de Los Ángeles están infectados con la gripe aviar H5N1

Por el contrario, señala, el modelo puede predecir la expresión de proteínas a partir de miles de estructuras en cuestión de minutos. Después de probar el modelo, identificó las variantes mejores y menos buenas y tuvo una superposición del 74 % con datos de la vida real sobre los artistas con desempeño promedio.

"Lo principal es que habríamos elegido construcciones similares a los modelos de predicción de aprendizaje profundo, y el resultado fue comparable al que obtenemos de cuatro meses de trabajo de laboratorio húmedo", dice.

Después de desarrollar un modelo para la expresión de proteínas, Foday dice que Aleva ahora está investigando otros factores además de la expresión de proteínas que afectan el rendimiento del producto.

"Logramos acelerar realmente el proceso centrándonos en algunos de los factores clave que desempeñan un papel en la producción de proteínas", explicó, y agregó que el trabajo futuro incluirá la inclusión del procesamiento posterior en el proceso de producción como parte del modelo. incluir la investigación de las etapas de.