Investigating the metabolic load of monoclonal antibody production conveyed to an inducible CHO cell line using a transfer-rate online monitoring system
Notice bibliographique
Résumé
Shake flasks are a foundational tool in early process development by allowing high throughput exploration of the design space. However, lack of online data at this scale can hamper rapid decision making. Oxygen transfer rate (OTR) monitoring has been readily applied as an online process characterization tool at the benchtop bioreactor scale. Recent advances in modern sensing technology have allowed OTR monitoring to be available at the shake flask level. It is now possible to multiplex time-of-action (e.g., Induction, temperature shift, pH shift, feeding initiation, point of harvest) characterization studies by relying on careful analysis of OTR profile kinetics. As a result, there is potential to save time and capital expenditures while exploring process intensification studies though accurate and physiologically relevant online data. In this article, we detail the application of OTR monitoring to characterize the impact that recombinant protein production has on an inducible CHO cell line expressing Palivizumab. We then test out time-of-action studies to intensify protein production outcomes. We observe that recombinant protein expression causes a metabolic load that diminishes potential biomass growth. As a result, when compared to a control standard process, delaying induction and temperature shift has the potential to improve viable cell densities (VCD) by 2-fold thus increasing recombinant protein yield by over 30 %. The study also demonstrates that OTR can serve as a useful tool to detect cessation of exponential growth. Consequently, time-of-action points that are characteristic of inducible systems can be formulated accurately and reliably to maximize production performance.
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 ».