革新生物制造监控：深度学习赋能胶体数字SERS平台实现细胞培养基精准监测
发布时间：2025-07-25 浏览次数：39 分享：
随着生物制药行业的发展，如何确保产品在整个生产过程中的一致性和高质量成为了科学家们关注的重点问题之一。特别是在面对像单克隆抗体、病毒载体及细胞疗法这样的复杂生物制品时，即使是微小的过程参数或质量属性的变化也可能导致昂贵的批次失败、产品召回以及重大的监管挑战。因此，迫切需要一种能够实时监控这些关键参数的技术手段。
近期发表于《Nano Letters》上的一项研究中，来自约翰霍普金斯大学的研究团队开发了一个革命性的深度学习赋能胶体数字SERS平台。这一创新技术通过将SERS光谱转化为二进制“开/关”信号，解决了传统SERS强度波动带来的重现性难题，使得单分子事件的可视化成为可能。同时，借助深度学习的强大能力，即使是在缺乏特征SERS峰的情况下也能准确检测多种分析物。研究展示了该平台在监测AMBIC 1.1哺乳动物细胞培养基方面的卓越性能，包括其快速、精确和可重复的特点，这标志着向新型PAT工具的大规模应用迈进了一大步。
关键发现：
1、创新性平台设计
通过将SERS光谱转换为二进制“开/关”信号，基于预定义的强度阈值，该平台能够有效地减少假阳性并实现单分子事件的可视化。这种转换特别有助于在超低浓度下检测分析物，因为此时分析物-金属相互作用主要发生在单分子水平。
图1 用于细胞培养基监测的深度学习驱动SERS方案
2、提高检测灵敏度与准确性及深学习算法的应用
图2 胶体SERS法检测D.I.水中R6G
研究显示，使用传统SERS强度分析方法时，随着罗丹明6G(R6G)浓度降低至10-5 M以下，不再观察到强度变化，而变异系数(CV)通常超过20%。相比之下，采用数字SERS分析法，不仅可检测到更低浓度（低至10-7 M），而且CV几乎全部低于10%，表明了更高的检测精度。
人工神经网络(ANN)被用来处理高维SERS数据集，预测分析物浓度。通过对整个光谱特征的学习而非依赖特定峰值，ANN算法能够准确地预测没有明显SERS特征的分析物浓度。对于R6G，在所有研究浓度范围内（最低可达10^-8 M），预测浓度与实际浓度高度相关，且CV均低于5%。
3、实用性验证
图3 （a，b）葡萄糖和（c，d）色氨酸的数字SERS分析，均在D.I.水中进行
为了证明该方法的实际应用价值，研究人员将其扩展到检测细胞培养基中的关键成分，如葡萄糖、色氨酸和谷胱甘肽。数字SERS分析成功检测到了这些成分，并显示出与浓度之间的强相关性。此外，深学习分析对谷胱甘肽的检测显示了近乎完美的预测效果，进一步证明了该方法在复杂样品中的适用性和敏感性。
4、应用于AMBIC 1.1细胞培养基
图4 细胞培养基监测（AMBIC培养基1.1）
研究人员选择了色氨酸、苯丙氨酸和葡萄糖作为示例，通过混合不同浓度的这些物质到新鲜的AMBIC 1.1培养基中来模拟真实的生物制造环境。结果显示，无论是通过数字SERS还是深学习分析，都能够准确地量化这些成分的浓度，并保持较低的CV值（均低于15%）。
结论：综上所述，这项研究成果不仅为解决当前生物制造过程中面临的挑战提供了一种全新的解决方案，同时也预示着未来在细胞生物学领域的实时、非侵入式监测以及大规模、高通量筛选试验和临床环境下的即时诊断设备方面有着广阔的应用前景。随着进一步的研究与发展，我们有理由相信，深度学习赋能的胶体数字SERS平台将在未来的生物技术和医药领域发挥更加重要的作用。
参考来源：Peng Zheng, Lintong Wu, Michael Ka Ho Lee, Andy Nelson, Michael Betenbaugh, and Ishan Barman. (2025). Deep learning-powered colloidal digital sers for precise monitoring of cell culture media. Nano Lett. 2025, 25, 6284−6291. https://doi.org/10.1021/acs.nanolett.5c01071
来源：微生物安全与健康网，作者~陈诺。
