Monitoring process-related impurities in biologics–host cell protein analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
During biologics development, manufacturers must demonstrate clearance of host cell impurities and contaminants to ensure drug purity, manufacturing process consistency, and patient safety. Host cell proteins (HCPs) are a major class of process-related impurities and require monitoring and documentation of their presence through development and manufacturing. Even in residual amounts, they are known to affect product quality and efficacy as well as patient safety. HCP analysis using enzyme-linked immunosorbent assay (HCP-ELISA) is the standard technique, due to its simple handling, short analysis time, and high sensitivity for protein impurities. Liquid chromatography mass spectrometry (LC-MS) is an orthogonal method for HCP analysis and is increasingly included in regulatory documentation. LC-MS offers advantages where HCP-ELISA has drawbacks, e.g., the ability to identify and quantify individual HCPs. This article summarizes the available knowledge about monitoring HCPs in biologics and presents the newest trends in HCP analysis with current state-of-the-art HCP measurement tools. Through case studies, we present examples of HCP control strategies that have been used in regulatory license applications, using an MS-based coverage analysis and HCP-ELISA and LC-MS for HCP quantification. This provides novel insight into the rapid evolving strategy of HCP analysis. Improvements in technologies to evaluate HCP-ELISA suitability and the implementation of orthogonal LC-MS methods for HCP analysis are important to rationally manipulate, engineer, and select suitable cell lines and downstream processing steps to limit problematic HCPs.
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.
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 | 0,001 |
| 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 découle