迈向智能无菌测试检查的自动化方法

良好生产规范（GMP）适用于各行各业，以保护消费者。对于旨在支持人类健康的产品，无菌测试对于确保产品不受污染微生物至关重要，由于常规无菌试验的孵育时间较长，它并不总是适用于保质期较短的药物的无菌测试，例如基因和细胞治疗产品。为了满足这些产品测试时效，开发出了几种快速微生物检测（RMT）方法，如三磷酸腺苷（ATP）生物发光、流式细胞术、量热变化和基于实时聚合酶链反应（RT-PCR）的核酸扩增，尽管这些方法能比USP <71>中概述的药典方法在更短的时间内提供测试结果，但基于培养的方法仍然是检查生物制药行业产品无菌性的黄金标准；与RMT方法相比，其优点是不需要昂贵的仪器。然而，培养物的解释是主观的，人工目视检查周期与生物制药行业自动化解决方案的总体趋势相矛盾。深度学习（DL）组件是我们日常生活中值得注意的一部分，因为它们支持人脸识别或自然语言处理等应用。在过去的十年中，深度学习方法变得越来越容易获得，现在几乎在每个科学和工程领域都可以找到，深度学习在生物技术中的应用范围从细胞分割模型（支持在培养过程中通过基于图像的泡沫传感进行显微镜图像分析）到生物制造过程的控制。在本文中，研究人员提出了一个硬件和软件概念，以支持USP膜过滤方法，提供一种用于图像捕获的自动化方法以及深度学习方法来检测和分类无菌测试单元中的污染物。模型系统使用现成的硬件进行图像材料采集，以及用于模型开发和图像数据处理的开源软件来实现。收集了在无菌试验容器中生长的3种不同生物体（产孢梭菌、铜绿假单胞菌、金黄色葡萄球菌）以及阴性对照的图像数据，以开发生长检测模型和后续生物分类模型。然后将这些模型应用于通过相同方法获得的测试数据集。

在这里，研究人员提出了一种创新的低成本方法来推进药物释放/制造过程中需要和监管的无菌评估工作流程。该模型系统利用现成的硬件和深度学习模型来检测和分类测试容器中的不同微生物污染。使用常见模式生物（孢子菌、铜绿假单胞菌、金黄色葡萄球菌）在实验中评估配对的硬件和软件工具。通过这种方法，研究人员能够在40个实验中检测所有三种测试生物，此外，研究人员能够以超过87%的平均分类准确率对现有生物进行分类。无菌检测是药品生产过程中的GMP要求。药品无菌测试的药典方法是一种高度手动的方法，需要训练有素的熟练人员。此外，无菌检测装置的人工目视检查是一项主观且耗时的任务。在这项研究中，研究人员概念化了一种具有成本效益的硬件和软件设置，该设置似乎通过为无菌测试提供客观和自动化的支持工具来克服这些缺点。硬件原型已被证明是在孵化器环境中获取图像材料的有用系统。对于三种评估生物（产孢梭菌、铜绿假单胞菌和金黄色葡萄球菌），这些模型在检测微生物生长方面表现出高灵敏度，并且在对每个测试单元中存在的相应生物进行分类方面表现出强大的性能。

文献链接

https://doi.org/10.1016/j.slast.2022.09.005