解码细胞培养基开放与优化方法，助力生物工艺发展！

来源：Cytiva（思拓凡）分类：应用方案

2025-04-29 18:15:16 28阅读次数

扫码分享

哺乳动物细胞是生物制药领域中最常用的宿主细胞之一，广泛应用于重组蛋白和单克隆抗体的生产。在过去的60年中，哺乳动物细胞培养技术经历了从简单到复杂、从小规模到工业化的巨大演变。

培养基，作为细胞生长的“营养基石”，其配方优化对于提升产品产量、提升产品质量稳定性以及控制生产成本具有决定性影响，是上游工艺开发中的核心环节。

哺乳动物细胞培养用培养基

配方的历史演变

早期细胞培养基依赖血清或组织提取物，这些成分虽能支持细胞生长，但其复杂化学性质和可变性带来了污染风险，且难以明确细胞生长所需的最小营养成分。

上世纪60年代

HAM F12和DMEM/F12等经典培养基的成功开发，标志着培养基配方从经验驱动向科学设计的转变。这些培养基逐渐取代血清，成为当时细胞培养的主流选择。

进入21世纪

无血清培养基在早期成就的基础上，通过精细化补料策略、过程控制、质量源于设计（Quality by Design）理念的引入，以及个性化培养基定制的趋势，推动了培养基配方的持续优化。

研究人员致力于开发能够支持更高细胞密度、更强细胞活力和更高重组蛋白含量的培养基配方，以满足日益增长的生物制药需求。

细胞培养基的关键组分

能源物质：葡萄糖是主要碳源，但高乳酸积累可能抑制细胞生长。替代碳源（如半乳糖、甘露糖）和优化谷氨酰胺代谢（如使用丙酮酸或谷氨酸）可改善代谢效率，减少副产物积累。

氨基酸：必需氨基酸（如亮氨酸、色氨酸）和非必需氨基酸（如精氨酸、半胱氨酸）对细胞生长和产品质量具有显著影响，需精确调控其浓度以满足细胞代谢需求。

脂质和维生素：脂质前体（如胆碱）和维生素（如B族维生素）对细胞膜结构和代谢至关重要。

微量元素和无机盐：铜、锌等微量元素以及钠、钾、钙等离子在代谢调控和渗透压平衡中发挥关键作用，需精确配比以确保细胞生长环境的稳定性。

细胞培养基开发全流程

细胞培养基的开发是一个系统化的过程，涵盖需求分析与设计、组分筛选优化以及工艺放大与验证三个阶段。

在需求分析与设计阶段

需明确目标产物的特性（如抗体类型），确定关键质量属性（CQAs），并设计实验方案（DoE）以指导后续开发。

在组分筛选优化阶段

研究人员基于培养基原型库，优化氨基酸、维生素和微量元素等关键组分，并根据代谢需求调整补料成分与浓度，确定补料的时机与频率，实现精准营养供给。

在工艺放大与验证阶段

研究人员将培养工艺从摇瓶逐步转移到生物反应器，调整规模放大参数，并验证批次一致性和稳定性，确保工业生产的可靠性和一致性。

图1：细胞培养基开发流程图

细胞培养基优化方向

产量优化

提高产量是培养基优化的核心目标。关键营养素浓度的平衡对细胞生长和抗体产量至关重要。

例如，葡萄糖和谷氨酰胺的比例需要精确调控，以确保细胞获得足够的能量和碳源，同时避免代谢副产物的积累¹。代谢副产物如乳酸和氨的积累会抑制细胞生长，降低抗体产量²。

因此，优化培养基时需要通过实验设计和动态监测，控制这些副产物的生成。此外，能量代谢的调节也是提高产量的重要策略。通过补充三羧酸循环（TCA循环）中间物，如α-酮戊二酸和苹果酸，可以增强细胞的能量代谢，提高抗体产量³。

质量属性调控

抗体质量属性的优化同样至关重要。糖基化调控是影响抗体功能和稳定性的关键因素⁴。

图2：N-糖糖型图谱⁴

例如，调整锰离子浓度可以显著影响糖型分布, 在添加了锰离子的实验中，当环境中葡萄糖的浓度为30 mM时，高甘露糖型水平较低⁵，尿苷和半乳糖的补充可以改变末端糖结构⁶，这些调控措施可以显著提高抗体的稳定性和生物活性。

此外，电荷异构体控制也是优化的重要方面。表一总结了酸碱峰形成的主要原因。通过明确酸碱峰形成原因，能够有的放矢地进行优化。

表1：酸碱峰形成原因

例如针对C端赖氨酸保留引起的碱峰，及时调整铜锌离子浓度比例可显著降低碱峰比例⁷，而培养温度和pH的精确控制可以减少脱酰胺水平⁸，从而提高抗体的均一性和稳定性。

最后，聚集体与片段控制也是优化的重要内容。EDTA和半胱氨酸的添加可以减少蛋白质片段化⁹，而渗透压的调节可以降低蛋白质聚集¹⁰，提高抗体的稳定性。温度策略的优化也可以显著影响产物的稳定性，确保抗体在储存和运输过程中的质量。

细胞培养基优化方法

系统生物学和机器学习方法的广泛应用，为培养基优化提供了强大的技术支持。系统生物学通过整合多组学数据（如基因组学、转录组学、代谢组学）和计算模型，深入理解细胞代谢网络。

GEMs-基因组规模代谢模型通过整合细胞的代谢网络和蛋白分泌通路，预测关键代谢途径和营养需求。

FBA-通量平衡分析通过计算代谢网络中的通量分布，优化培养基成分以提高目标产物的产量。动态代谢模型结合实验数据，模拟细胞在不同培养条件下的动态代谢行为。

机器学习方法则通过分析大量实验数据，识别隐藏模式并预测最佳培养条件。

监督学习可以预测培养基成分对细胞生长和抗体产量的影响，例如利用监督学习框架优化了CHO细胞培养基的金属离子例如铁和锌离子浓度，提高了抗体的电荷均一性¹¹。

非监督学习通过聚类分析发现培养基成分与细胞行为之间的隐藏关系，例如利用PCA分析指出过高的半胱氨酸水平会压倒细胞的抗氧化防御系统，最终阻碍细胞生长¹²。

混合机器学习和系统生物学框架与基于模型的实验设计（DoE）相结合，显著提高了实验效率，减少了实验负担和复杂性。系统生物模型提供细胞过程的机制理解，机器学习算法擅长从复杂数据集中识别模式和进行预测，两者的协同作用加速了培养基优化进程。

结语

哺乳动物细胞培养基开发经历了从经验驱动到数据驱动的转型，系统生物学通过多组学整合和代谢网络建模揭示关键营养需求，机器学习则从海量数据中挖掘优化规律。两者结合的智能框架结合模型引导的实验设计，大幅提升了优化效率，同时降低了实验成本与复杂性。

Cytiva中国细胞培养基开发基地依托HyClone品牌，针对本土企业对高效开发和精准适配的需求，提供商业化培养基和补料组合的定制服务。

基地利用全球庞大的培养基原型库，根据客户需求筛选或优化培养基和补料配方，实现量身定制。

同时，引入先进的培养基开发和实验设计理念，结合细胞代谢通路分析、DoE方法和检测设备，灵活制定方案，提供全方位服务支持，解决细胞生长缓慢、存活率低等问题，满足高质量品控需求。

随着生物制药行业的不断发展，哺乳动物细胞培养基的开发和优化将继续朝着更加精准、高效和智能化的方向迈进。通过跨学科的协同创新，未来的研究将进一步突破现有技术瓶颈，为生物制药行业带来更优质、更经济的治疗产品，推动行业的持续进步和创新。

如您对培养基优化有任何问题或需求

请扫码留下您的信息，我们将有专人与您联系！

参考文献

1.Hong JK, Nargund S, Lakshmanan M, et al. Comparative phenotypic analysis of CHO clones and culture media for lactate shift. J Biotechnol. 2018;283:97-104. doi:10.1016/j.jbiotec.2018.07.042

2.Pereira S, Kildegaard HF, Andersen MR. Impact of CHO Metabolism on Cell Growth and Protein Production: An Overview of Toxic and Inhibiting Metabolites and Nutrients. Biotechnol J. 2018;13(3):e1700499. doi:10.1002/biot.201700499

3.Saldanha M, Padhye K, Warke VG, et al. A feed enrichment strategy targeting the tricarboxylic acid cycle for increasing monoclonal antibody production and alleviating ammonia accumulation in Chinese hamster ovary cell culture.Biochemical Engineering Journal, 2023; Volume 192, 108836. https://doi.org/10.1016/j.bej.2023.108836.

4.Torkashvand F, Vaziri B. Main Quality Attributes of Monoclonal Antibodies and Effect of Cell Culture Components. Iran Biomed J. 2017;21(3):131-141. doi:10.18869/acadpub.ibj.21.3.131

5.Surve T, Gadgil M. Manganese increases high mannose glycoform monoclonal antibody expressed in CHO when glucose is absent or limiting: Implications for use of alternate sugars. Biotechnol Prog. 2015;31(2):460–467.

6.Gramer MJ, Eckblad JJ, Donahue R, et al. Modulation of antibody galactosylation through feeding of uridine, manganese chloride, and galactose. Biotechnol Bioeng. 2011;108(7):1591-1602. doi:10.1002/bit.23075

7.Luo J, Zhang J, Ren D, et al. Probing of C-terminal lysine variation in a recombinant monoclonal antibody production using Chinese hamster ovary cells with chemically defined media. Biotechnol Bioeng. 2012;109(9):2306-2315. doi:10.1002/bit.24510

8.Chung S, Tian J, Tan Z, et al. Industrial bioprocessing perspectives on managing therapeutic protein charge variant profiles. Biotechnol Bioeng. 2018;115(7):1646-1665. doi:10.1002/bit.26587

9.Trexler-Schmidt M, Sargis S, Chiu J, et al. Identification and prevention of antibody disulfide bond reduction during cell culture manufacturing. Biotechnol Bioeng. 2010;106(3):452-461. doi:10.1002/bit.22699

10.Paul AJ, Handrick R, Ebert S, Hesse F. Identification of process conditions influencing protein aggregation in Chinese hamster ovary cell culture. Biotechnol Bioeng. 2018;115(5):1173-1185. doi:10.1002/bit.26534

11.Gangwar N, Balraj K, Rathore AS. Explainable AI for CHO cell culture media optimization and prediction of critical quality attribute. Appl Microbiol Biotechnol. 2024;108(1):308. Published 2024 Apr 24. doi:10.1007/s00253-024-13147-w

12.Komuczki D, Stadermann A, Bentele M, et al. High cysteine concentrations in cell culture media lead to oxidative stress and reduced bioprocess performance of recombinant CHO cells. Biotechnol J. 2022;17(11):e2200029. doi:10.1002/biot.202200029