近年来细胞造就基领域的 AI 步骤论逐步收敛为三条路线，彼此并不互斥，而是在融合。以下案例重要集中于数据最丰硕的 CHO 平台，但步骤同样合用于293、 T/NK、MSC 等其他细胞类型。

▲ 图1：AI 用于造就基配方开发的三条主流路线

当尝试批次昂贵、待优化因子在 5–20 个之间、又但愿“少做尝试多出活”时，贝叶斯优化（BO）是首选。它以高斯过程等概率代理模型为主题，通过“尝试设计—造就读数—模型更新—采集函数选点”四步循环，让 AI 在每一轮自主遴选下一批最值得做的尝试：前期广撒网索求未知区域，后期聚焦预期改善最大的点，从而预防陷入部门最优。

▲ 图2：贝叶斯优化自动进建迭代回路

这一框架已被多个团队在 CHO 平台上验证。2025 年，Hashizume 团队在 CHO-K1 上以 57 组分无血清造就基、364 个尝试实现自动进建优化，沉配方后细胞浓度比贸易造就基高约 60%；更值得关注的是 BO 所独有的“迁徙进建”能力：它能把上一轮、甚至上一个项主张经验直接复用到新项目。

Kumar 团队 2026 年在 mAb 生物类似药开发中，把 4 个已实现项主张工艺参数—质量属性知识库迁徙到第 5 个项目，将 13 个 DoE 前提缩减为 4 个验证尝试，大幅削减了新项主张尝试迭代次数与开发周期。

纯 BO 的优化指标往往只佑装产量最大化”，它并不知路某些高浓度组合在溶液中会析出沉淀。这在 CHO 中极度典型：酪氨酸溶化度极低，要放进浓缩补料需升高 pH，却可能引发其他金属离子沉淀；磷酸盐与钙、镁离子配比失衡也会天生沉淀。了局就是 AI 给出的“最优配方”在尝试室底子配不出来。

2025 年 Johns Hopkins 团队（Ndahiro 等）给出关键刷新：把溶液热力学模型（UNIFAC）作为硬约束嵌入 BO 搜索空间。数学上是这样：BO 的指标函数不再是单维的"滴度最大"，而是一个带约束的多指标优化——

BO 用两个独立的高斯过程（GP）模型别离优化 titer 和峰值 VCD，UNIFAC 约束则掌管在推荐配方进入尝试前筛除不成造备的组合。只有通过热力学可行性检验的配刚刚会被送到 AMBR 上验证。

图3是 Ndahiro 2025 论文的沉绘，48 个 AMBR 15 微反映器（每孔 15 mL 工作体积）平行发酵尝试的对照了局：尝试中，BO 最优配方滴度约 2.80 g/L，约为均匀采样（Space-fill）最优值 1.45 g/L 的 2 倍，UNIFAC 热力学约束有效筛除了不成造备的高风险配方组合。

▲ 图3：AMBR 15 验证——BO 最优滴度约为 Space-fill 的 2 倍

上文提到的路线一、二有一个共同短板：模型是黑盒，能给出“哪个配方好”，却很难说清“为什么好”。当必要回覆“丝氨酸与苏氨酸为什么同时加才有效、亮氨酸的代谢去向是什么」剽类机理问题时，纯数据驱动模型给不出答案。而基因组规模代谢模型（GEM）则能诠释“为什么好”。通过模仿细胞内的代谢通量，AI能够精准指出是哪条氨基酸降解通路在起作用。

基因组规模代谢模型（GEM, Genome-scale Metabolic Model） 是从前 20 年系统生物学的主题工具。CHO 上的旗舰模型是 iCHO1766（Hefzi 等 2016），1,766 个基因、6,666 个反映、4,456 个代谢物。它的工作道理是：

纯 GEM 固然不能直接给出"最优配方"，但它的价值在于提供代谢层面的机理诠释：通知你哪些通路在变、哪些组分是关键驱动。Huang 等（Bristol-Myers Squibb × UMass Lowell，Biochemical Engineering Journal 2020）展示了 GEM 在工业 CHO 平台上的直接利用，这是首个将基因组规模 CHO 模型用于 IgG 产量提升的钻研：在 5 L fed-batch 中，通过 GEM 与转录组通路分析鉴别出高产前提下富集的 TCA 循环与支链氨基酸降解通路，据此模仿并确认新增亮氨酸、缬氨酸补料使滴度再提升 11.8%。

依附广东会官网多年造就基研发堆集，我们已将 AI 步骤系统化地嵌入定造开发服务和日常配方开发流程中：

自动进建驱动的造就基筛。在 CHO、HEK293、T/NK 和 MSC 等平台上，我们已选取 BO 自动进建框架代替传统 OFAT/DoE 进行关键组分筛选，已经在日常用了？突玫降呐浞奖澈，越来越多有 AI 的支持。

AI辅助的工艺参数优化：从 clone screening 到 fed-batch 补料战术，AI模型援手我们更快锁定关键工艺参数组合，削减尝试轮次。

GEM 锚定的代谢通量预测：结合 iCHO1766 等公开基因组规模代谢模型，我们把 AI 预测直接锚定到代谢通量层，不必要大规模代谢组学分析，就能让模型输出"哪些代谢通路在变、哪些造就基组分是关键驱动"的机理级判断。

跨平台数据堆集：CHO、HEK293、MSC、T/NK 五大平台同时跑的数据，是我们持续迭代的燃料。一个平台上跑通的 AI 框架，能够急剧迁徙到另一个平台，好比 CHO 上验证的 BO 筛选流程，已经在 T/NK 无血清造就基开发中复用。

借助AI的辅助，广东会官网萦绕客户真实需要，不仅在CHO 目录造就基的开发方面获得了好多的经验，在CHO 造就基的定造开发服务中我们更是能够实现高产量、高质量、高效能的交付：产量最高可做到 16 g/L 以上；最快 2 个月交付配方幼样、2–4 个月实现整体交付；通过配方组合精准调控糖型、电荷异构体等质量属性；

定造开发项目事俘——质量属性调控

在质量属性调控方面，广东会官网通过造就基特异性组分调控，有些下调Man5 高甘露糖型比例，相比竞品规划降低 57%；通过度析后补充半乳糖、Mn??及关键辅因子，大幅降低G0F/G2F糖型比例。 相比竞品规划降低 55%。在维持高细胞密杜纂高活率的同时，让糖型的节造精准满足客户要求。

定造开发项目事俘——产量突破 16 g/L

在产量提升方面，依附自动进建筛选与工艺参数联动优化，定造化开发援手客户实现细胞密杜纂活率同步提升，产量成功突破 16 g/L+，实现“低产能翻倍、高产能更优”。

随着人为智能在细胞造就基开发领域的利用持续深入，智能化配方优化在沉塑生物药上游工艺开发模式。广东会官网依附 AI 驱动的造就基开发平台，面向客户提供矫捷急剧的 CHO 造就基定造化开发服务，协同解决产能提升、质量属性调控、工艺放大等上游开发痛点，赋能生物造药企业提质提速，降本增效。

参考文件

1. Narayanan H. et al. Accelerating Cell Culture Media Development Using Bayesian Optimization-Based Iterative Experimental Design. Nature Communications 16:6055 (2025).

2. Ndahiro N. et al. Integration of Bayesian optimization and solution thermodynamics to optimize media design for mammalian biomanufacturing. iScience (2025).

3. Huang Y. et al. CHO cell productivity improvement by genome-scale modeling and pathway analysis. Biochemical Engineering Journal, 2020, 160: 107638.

4. Hashizume T. & Ying B.-W. Biology-aware machine learning for culture medium optimization. New Biotechnology (2025).

5. Kavoni H. et al. Recent advances in culture medium design for enhanced production of mAbs in CHO cells. Biotechnology Advances, 2025, 78: 108480.

6. Kumar J. et al. Optimizing monoclonal antibody biosimilar production via transfer and active learning. Biotechnology Progress, 2026, 42(1): e70086.

7. Shah S. et al. A practical framework for clone selection, media-feed screening, and upstream process parameter optimization for a mAb CHO cell culture process. Biotechnology Progress (2026).

免费试用申请