细胞培养是现代生物技术和医药产业的核心环节，广泛应用于疫苗、抗体和再生医学产品的生产。然而，培养基的优化始终是一项复杂任务。传统方法依赖经验调整，难以全面把握57种以上成分在细胞生长中的作用。更重要的是，培养实验中常存在不可避免的波动，如细胞状态差异、操作误差和仪器噪声，这些都会影响培养效果并降低结果的可重复性。

来自筑波大学的研究团队提出了一种结合生物学特性与机器学习的培养基优化平台。他们的目标是解决实验误差与生物波动对机器学习模型带来的干扰，并实现对无血清培养基的高效优化。

研究首先采用“预混鸡尾酒”方法，将57种化学成分划分为8类，根据生化功能和pH稳定性进行组合。这样不仅减少了配制劳动量，还在相同成分比例下获得了更高的细胞产量。随后，研究者通过培养CHO-K1细胞（目前超过八成生物制药依赖该细胞系生产），收集了大规模训练数据。

在数据处理上，团队引入了“误差感知”方法：将实验结果标准化为相对于对照培养基的倍数变化，并把对照条件下的细胞浓度作为额外特征加入模型。这样一来，模型能够“识别”并抵消实验误差和生物波动的影响，从而提高预测可靠性。

在建模环节，研究团队采用梯度提升决策树、支持向量回归、神经网络和k近邻等方法，最终构建出一个集成模型。该模型结合遗传算法和“伪数据”训练，既能避免陷入局部最优，又能探索更多样的培养基组合。通过“主动学习”策略，研究者在七轮实验和建模迭代中不断提升预测精度和细胞产量。

结果显示，优化得到的无血清培养基使CHO-K1的细胞浓度比商业培养基提高了约60%。在小规模与放大五倍的培养实验中，该改良培养基均表现出稳定性，且未引起乳酸和氨的过度积累，说明细胞并未因高密度生长而产生代谢压力。进一步验证发现，该培养基对CHO-K1具有高度特异性，对其他细胞系甚至大肠杆菌反而不利。这种特异性表明，机器学习平台能够针对目标细胞精确优化培养环境，同时可能减少杂菌污染的风险。

值得注意的是，优化结果显示非必需氨基酸过量可能抑制CHO-K1生长，而维生素含量的增加有助于细胞抗氧化保护。这些发现为培养基成分的再认识提供了实验证据，也提示商业培养基仍有进一步改良空间。

该研究证明，将机器学习与生物学实验深度结合，可以突破传统经验依赖，实现培养基的定量化、可控化和针对化优化。随着培养体系的放大和算法的改进，这一平台有望在生物制药、细胞治疗和培养肉等领域广泛应用。

了解更多高效、安全兽用疫苗培养基相关信息，请点击下方小卡片了解！

参考来源：

Hashizume T, Ying BW. Biology-aware machine learning for culture medium optimization. N Biotechnol. 2025 Jul 25;89:141-151. doi: 10.1016/j.nbt.2025.07.006. Epub ahead of print. PMID: 40716669.