Accelerating perfusion process optimization by scanning non‐steady‐state responses
Notice bibliographique
Résumé
Perfusion processes provide consistent culture conditions, high productivity and low product residence times. However, process development can be slow due to the 1 week or more required to reach each steady state. The objective of this work was to accelerate process development in perfusion cultures by scanning non-steady-state transient responses to qualitatively predict steady-state performance. The method was tested using a shift in temperature every 3 days, scanned down by steps of 2 degrees C from 37 degrees C to 31 degrees C, then scanned up to 37 degrees C. Higher t-PA concentrations were predicted at lower temperatures, confirmed by subsequent pseudo-steady-state results. In most cases, transient values on the 3rd day were in close concordance with pseudo-steady-state values. To further accelerate process development, transient scanning was applied to small-scale, non-instrumented cultures. Similar results were obtained, although quantitative t-PA values were 15-30 times lower than in high cell density perfusion cultures. The method was further explored by investigating 1 day transient shifts in temperature where more variability was observed, suggesting that the cells were still adapting to the new environment. Nonetheless, the overall response again qualitatively predicted the pseudo-steady-state temperature response. Use of transient scanning in conjunction with pseudo-steady-state verification and refinement of optimal results could reduce process development time to a third or less of comparable steady-state-based optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».