1. 研究背景与挑战

核心问题：哺乳动物细胞培养中，培养基成分的复杂互作导致传统优化方法（如实验设计DoE）效率低下。

现有局限：经验依赖性强，易受人为偏差影响；难以平衡细胞生长速率（96小时）与最终产量（168小时）。

技术机遇：主动机器学习（Active ML）可通过“预测-验证”闭环减少实验量，实现多参数同步优化。

2. 创新方法：从传统DoE到智能ML

本研究技术路线如图1）如所示：

图1 技术路线图

（1）模型构建：

细胞模型：HeLa-S3细胞（人宫颈癌细胞系）

基础培养基：EMEM（含31种成分）

算法：梯度提升决策树（GBDT）

（2）双模式优化：

常规模式（R）：基于168小时细胞浓度数据优化最终产量

节时模式（TS）：基于96小时数据预测168小时产量（利用早期-晚期浓度相关性）

（3）四轮主动学习：

初始生成209种梯度培养基

每轮筛选15-22种高潜力培养基实验验证

迭代更新训练集（共503组数据）

3. 关键结果

（1）培养基优化效能

细胞浓度提升：

R模式：11种培养基168小时浓度显著高于EMEM（最高提高50%）

TS模式：10种培养基96小时浓度提升，但仅30%维持至168小时

模型精度：

四轮迭代后预测误差（RMSE）降低40%（ p<0.05）

数据标准化（Fold Change, FC）较原始数据（C）提升模型鲁棒性

图2 R/TS模式效能对比

（2）关键成分鉴定

特征重要性分析：

9种成分贡献80%生长影响（如谷氨酰胺升高、半胱氨酸降低）

时序差异：甲硫氨酸仅晚期（168小时）关键

图3 培养基成分对细胞培养的关键影响

A.不同模型下细胞培养产量的分布；B.重要性排名前9的成分（累积贡献80%）

规模放大验证：

最优培养基R445：168小时浓度提高50%（p <0.01）

成分共性：R445与失效培养基TS471均缺失磷酸氢钠和硫胺素

（3） 转录组机制解析

基因表达重编程：

R445激活增殖通路（如细胞发育相关GO term）

TS471引发表达紊乱（差异基因数↑100倍）

功能富集：

R445特异性富集：细胞周期调控基因（如mTORC1通路）

EMEM富集：代谢调控基因

图4 基因表达变化与培养基优化的关联性研究

4. 讨论与局限

（1）模式对比

R模式：稳定提升最终产量（C1簇占比提高）

TS模式：节省50%实验时间，但33%培养基因“生长-产量权衡”失效（C2簇）

（2）技术突破

数据驱动闭环：首次整合ML预测→实验验证→转录组反馈

节时策略：利用96/168小时浓度相关性（r=0.82）加速优化

（3）局限与展望

细胞普适性：当前仅验证HeLa细胞，需拓展至原代/干细胞

血清依赖：含FBS培养基成分不透明，下一步开发无血清方案

算法升级：引入时间序列数据提升TS模式稳定性

5. 应用价值

生物制药：快速定制单抗生产培养基（成本降低30%）

再生医学：优化干细胞扩增体系

开源资源：

代码库：https://github.com/yuki020527/medium_optimization

RNA-seq数据：DRA017793 (DDBJ)

总之，本研究建立了主动机器学习驱动的培养基优化新范式，通过双模式迭代和转录组验证，突破传统方法瓶颈。其中四轮迭代减少60%实验量，并发现9种核心成分及时序调控规律，为生物制造与精准医疗提供工具包。

参考文献：

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