Application of the Protein Maker as a platform purification system for therapeutic antibody research and development
Notice bibliographique
Résumé
Within the research and development environment, higher throughput, parallelized protein purification is required for numerous activities, from small scale purification of monoclonal antibodies (mAbs) and antibody fragments for in vitro and in vivo assays to process development and optimization for manufacturing. Here, we describe specific applications and associated workflows of the Protein Maker liquid handling system utilized in both of these contexts. To meet the requirements for various in vitro assays, for the identification and validation of new therapeutic targets, small quantities of large numbers of purified antibodies or antibody fragments are often required. Reducing host cell proteins (HCP) levels following capture with Protein A by evaluating various wash buffers is an example of how parallelized protein purification can be leveraged to improve a process development outcome. Stability testing under various conditions of in-process intermediates, as an example, the mAb product from a clarified harvest, requires parallelized protein purification to generate concurrent samples for downstream assays. We have found that the Protein Maker can be successfully utilized for small-to-mid scale platform purification or for process development applications to generate the necessary purified protein samples. The ability to purify and buffer exchange up to 24 samples in parallel offers a significant reduction in time and cost per sample compared to serial purification using a traditional FPLC system. By combining the Protein Maker purification system with a TECAN Freedom EVO liquid handler for automated buffer exchange we have created a new, integrated platform for a variety of protein purification and process development applications.
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 ».