Explorando la estabilidad de las células CHO durante el pasaje prolongado mediante análisis de balance de flujos impulsado por IA explicable

Por qué las células «fábrica» pueden perder su ventaja

Muchos medicamentos modernos, incluidos anticuerpos comerciales de gran demanda, se producen con células de ovario de hámster chino (CHO) que crecen en enormes tanques de acero. Estas células se expanden durante muchas generaciones antes de entrar en una fábrica y, con el tiempo, pueden ralentizarse o cambiar la calidad de los productos que generan. Este estudio plantea una pregunta simple pero crucial: a medida que las células CHO se pasan una y otra vez, ¿cómo cambia su metabolismo interno, y podemos usar la inteligencia artificial para ver qué falla y cómo corregirlo?

Generaciones tempranas y tardías de la misma línea celular

Los investigadors partieron de una única línea celular CHO productora de anticuerpos y la siguieron a lo largo de más de 30 rondas de pasaje, como si se trasplantaran esquejes repetidamente de la misma planta. De este proceso surgieron dos grupos de trabajo: células de “pasaje temprano” tomadas tras solo unas pocas rondas de crecimiento, y células de “pasaje tardío” tomadas tras muchas más. Cultivadas en condiciones idénticas, ambos grupos alcanzaron números máximos de células similares, y las células tardías incluso se dividieron algo más rápido. Sin embargo, las células tardías produjeron alrededor de un 35% menos de anticuerpo y acumularon niveles más altos de metabolitos residuales no deseados, especialmente lactato y amoníaco, compuestos que estresan a las células e interfieren con la producción.

Rastreando nutrientes y desechos para encontrar el punto de inflexión

Para entender cuándo y cómo las células empezaron a diferir, el equipo monitorizó los nutrientes y subproductos en el medio de cultivo durante dos semanas, centrando la atención en la glucosa y 20 aminoácidos. Mediante estadística multivariante, mostraron que las mayores diferencias metabólicas entre células de pasaje temprano y tardío emergieron durante la fase de crecimiento rápido, especialmente entre los días 2 y 6 del cultivo. Ciertos aminoácidos—como glicina, prolina, metionina y aspartato—fueron consumidos o secretados de manera notablemente distinta entre ambos grupos. Estos cambios señalaron variaciones en rutas que conectan la degradación de aminoácidos, la producción de energía y la generación de desechos, sugiriendo que las células de pasaje tardío estaban reconfigurando cómo se alimentan y gestionan el nitrógeno y el balance redox (oxidación–reducción).

Viendo el metabolismo por dentro con IA explicable

Dado que el metabolismo celular implica miles de reacciones interconectadas, los autores recurrieron a un modelo metabólico a escala del genoma para células CHO combinado con análisis de balance de flujos, un método que estima la intensidad del flujo por reacción. Constriñeron este modelo con medidas reales de sus cultivos y luego emplearon una versión «con capacidad enzimática» que tiene en cuenta la eficiencia de cada enzima. Esto generó muchos patrones internos de flujo compatibles con los datos. Para interpretar esta salida de alta dimensionalidad, entrenaron un modelo de aprendizaje automático para distinguir los patrones de flujo de pasaje temprano y tardío y luego aplicaron IA explicable—específicamente SHapley Additive exPlanations (SHAP)—para clasificar qué reacciones y metabolitos distinguían con más fuerza ambos estados.

De modo construcción a modo autoprotección

El análisis con IA explicable señaló una narrativa clara. En las células de pasaje temprano, el carbono procedente de los nutrientes se canalizaba a través de piruvato hacia acetil-CoA y, a continuación, se destinaba intensamente a la síntesis de ácidos grasos, apoyando la formación de membranas y el rápido crecimiento. En las células de pasaje tardío, más acetil-CoA se dirigía al ciclo energético central para mantener la energía bajo estrés, mientras que reacciones clave en la vía de la «trans-sulfuración» cambiaron la importación de cisteína por su síntesis interna. Esa cisteína recién fabricada se usó para producir glutatión, un gran antioxidante que ayuda a neutralizar especies reactivas de oxígeno dañinas. Esta autoprotección tuvo un coste: la misma cisteína también es necesaria para formar enlaces estables en los anticuerpos, y su desviación, junto con el amoníaco adicional liberado por estas rutas, probablemente contribuyó a rendimientos de anticuerpos peores y a más desechos tóxicos.

Cómo esto ayuda a mantener estables las fábricas de medicamentos

Para un público no especialista, el mensaje es que las células CHO cambian gradualmente sus prioridades a medida que se pasan: al principio están en modo «constructor», convirtiendo eficientemente nutrientes en nuevas células y proteínas terapéuticas; más tarde pasan a modo «supervivencia», destinando más recursos a defenderse del estrés oxidativo, aun cuando eso implique fabricar menos medicamentos y más desechos. Al combinar medidas detalladas de cultivo celular, modelos metabólicos a gran escala e IA explicable, los autores pudieron identificar el eje cisteína–glutatión y rutas relacionadas como palancas que controlan este cambio. Ajustar las formulaciones del medio—por ejemplo añadiendo antioxidantes alternativos o compuestos que ahorren cisteína—podría ayudar a mantener las células en un estado más productivo por más tiempo, mejorando la fiabilidad y eficiencia de la fabricación de fármacos biológicos.

Cita: Choi, DH., Kim, SJ., Song, J. et al. Exploring CHO cell stability during prolonged passaging via eXplainable AI driven flux balance analysis. npj Syst Biol Appl 12, 36 (2026). https://doi.org/10.1038/s41540-026-00660-z

Palabras clave: células CHO, producción de anticuerpos, estabilidad de la línea celular, modelado metabólico, IA explicable