A low‐temperature SPR‐based assay for monoclonal antibody galactosylation and fucosylation assessment using FcγRIIA/B
Notice bibliographique
Résumé
Monoclonal antibodies (MAbs) are powerful therapeutic tools in modern medicine and represent a rapidly expanding multibillion USD market. While bioprocesses are generally well understood and optimized for MAbs, online quality control remains challenging. Notably, N-glycosylation is a critical quality attribute of MAbs as it affects binding to Fcγ receptors (FcγRs), impacting the efficacy and safety of MAbs. Traditional N-glycosylation characterization methods are ill-suited for online monitoring of a bioreactor; in contrast, surface plasmon resonance (SPR) represents a promising avenue, as SPR biosensors can record MAb-FcγR interactions in real-time and without labeling. In this study, we produced five lots of differentially glycosylated Trastuzumab (TZM) and finely characterized their glycosylation profile by HILIC-UPLC chromatography. We then compared the interaction kinetics of these MAb lots with four FcγRs including FcγRIIA and FcγRIIB at 5°C and 25°C. When interacting with FcγRIIA/B at low temperature, the differentially glycosylated MAb lots exhibited distinct kinetic behaviors, contrary to room-temperature experiments. Galactosylated TZM (1) and core fucosylated TZM (2) could be discriminated and even quantified using an analytical technique based on the area under the curve of the signal recorded during the dissociation phase of a SPR sensorgram describing the interaction with FcγRIIA (1) or FcγRII2B (2). Because of the rapidity of the proposed method (<5 min per measurement) and the small sample concentration it requires (as low as 30 nM, exact concentration not required), it could be a valuable process analytical technology for MAb glycosylation monitoring.
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 ».