人工智能驱动的紫外线技术可快速检测细胞培养物的污染

一组研究人员开发了一种新方法，可以在制造过程的早期快速自动检测和监测细胞治疗产品（CTP）中的微生物污染

通过测量细胞培养液的紫外线（UV）吸光度，并利用机器学习识别与微生物污染相关的光吸收模式，这种初步测试方法旨在减少无菌测试所需的总时间，从而减少患者等待CTP剂量的时间。在及时给予治疗可以挽救绝症患者生命的情况下，这一点尤为重要

细胞疗法代表了医学领域一个有前景的新前沿，特别是在治疗癌症、炎症性疾病和慢性退行性疾病等疾病方面，通过操纵或替换细胞来恢复功能或对抗疾病。然而，CTP制造的一个主要挑战是快速有效地确保细胞在给患者服用之前不受污染

现有的基于微生物方法的无菌检测方法是劳动密集型的，需要长达14天的时间来检测污染，这可能会对需要立即治疗的重症患者产生不利影响

虽然快速微生物方法（RMM）等先进技术可以将检测时间缩短到七天，但它们仍然需要复杂的过程，如细胞提取和生长富集培养基，并且在样品提取、测量和分析等过程中高度依赖熟练的人力

这迫切需要新的方法，在不影响符合患者使用时间表的CTP质量的情况下，提供更快的结果，并且工作流程简单，不需要额外的准备

在《科学报告》杂志上发表的一篇题为“细胞治疗产品中微生物污染的机器学习辅助紫外吸收光谱”的论文中，SMART CAMP研究人员描述了他们如何将紫外吸收谱结合起来，开发出一种机器学习辅助方法，用于在制造的早期阶段无标记、无创和实时检测细胞污染。

这种方法比传统的无菌测试和RMM都有显著优势，因为它消除了对细胞染色以识别标记生物的需要，使其无需标记，避免了细胞提取的侵入性过程，并在半小时内提供结果

它提供了一种直观、快速的“是/否”污染评估，促进了细胞培养取样的自动化，其工作流程简单，不需要额外的潜伏期、生长富集培养基和人力。此外，所开发的方法不需要专门的设备，从而降低了成本

SMART CAMP高级研究工程师、该论文第一作者Shruti Pandi Chelvam表示：“这种快速、无标签的方法旨在作为CTP制造过程的初步步骤，作为一种连续的安全测试形式，使用户能够及早发现污染并实施及时的纠正措施，包括仅在检测到可能的污染时使用RMM。这种方法节省了成本，优化了资源分配，最终加快了整体制造时间。”

与超过100000名依赖Phys.org获取日常见解的订阅者一起探索科学、技术和太空的最新进展。注册我们的免费时事通讯，每天或每周获取重要突破、创新和研究的最新进展

“传统上，细胞治疗制造是劳动密集型的，并且受操作员可变性的影响。通过引入自动化和机器学习，我们希望简化细胞治疗制造并降低污染风险。

具体来说，我们的方法支持在指定时间间隔进行自动细胞培养取样以检查污染，这减少了样本提取、测量和分析等手动任务。这使得细胞培养物能够持续监测，并在早期检测到污染，”麻省理工学院SMART CAMP首席研究员、麻省理工教授、该论文的通讯作者Rajeev Ram教授说

展望未来，未来的研究将侧重于扩大该方法的应用范围，以涵盖更广泛的微生物污染物，特别是那些代表当前良好生产规范（cGMP）环境和先前确定的CTP污染物的微生物污染物

此外，该模型的稳健性可以在除MSC之外的更多细胞类型上进行测试。除了细胞治疗制造，这种方法还可以应用于食品和饮料行业，作为微生物质量控制测试的一部分，以确保食品符合安全标准

这项工作包括来自制造个性化医学关键分析（CAMP）的研究人员，CAMP是新加坡麻省理工学院研究与技术联盟（SMART）的一个跨学科研究小组（IRG），是麻省理工在新加坡的研究企业，与麻省理工大学（MIT）、A*STAR皮肤研究实验室（A*SRL）和新加坡国立大学（NUS）合作 More information: Shruthi Pandi Chelvam et al, Machine learning aided UV absorbance spectroscopy for microbial contamination in cell therapy products, Scientific Reports (2025). DOI: 10.1038/s41598-024-83114-y

Journal information: Scientific Reports