Explorer la stabilité des cellules CHO lors de passages prolongés via une analyse de flux par IA explicable

Pourquoi les cellules « usines » peuvent perdre leur efficacité

Beaucoup de médicaments modernes, y compris des anticorps blockbusters, sont produits par des cellules d’ovaire de hamster chinois (CHO) cultivées dans d’énormes cuves d’acier. Ces cellules sont multipliées pendant de nombreuses générations avant d’entrer en production industrielle, et au fil du temps elles peuvent, de manière mystérieuse, ralentir ou modifier la qualité des médicaments qu’elles fabriquent. Cette étude pose une question simple mais cruciale : à mesure que l’on repique les cellules CHO encore et encore, comment leur métabolisme interne évolue-t-il — et peut-on utiliser l’intelligence artificielle pour identifier ce qui dysfonctionne et comment y remédier ?

Générations précoces et tardives d’une même lignée cellulaire

Les chercheurs ont commencé avec une seule lignée CHO productrice d’anticorps et l’ont suivie pendant plus de 30 passages, un peu comme on repiquerait des boutures successives d’une même plante. De ce long parcours ils ont constitué deux groupes de travail : les cellules de « passage précoce » prélevées après seulement quelques cycles de croissance, et les cellules de « passage tardif » prélevées après beaucoup plus de cycles. Cultivés dans des conditions identiques, les deux groupes ont atteint des densités cellulaires maximales similaires, et les cellules tardives se sont même divisées un peu plus vite. Pourtant, les cellules tardives ont produit environ 35 % d’anticorps en moins et accumulé des niveaux plus élevés de métabolites indésirables, en particulier du lactate et de l’ammoniaque, connus pour stresser les cellules et nuire à la production.

Suivre nutriments et déchets pour repérer le point de bascule

Pour comprendre quand et comment les cellules ont commencé à diverger, l’équipe a suivi les nutriments et les sous-produits dans le milieu de culture sur deux semaines, en se concentrant sur le glucose et 20 acides aminés. À l’aide de statistiques multivariées, ils ont montré que les plus grandes différences métaboliques entre cellules de passage précoce et tardif apparaissaient pendant la phase de croissance rapide, notamment entre les jours 2 et 6 de culture. Certains acides aminés — comme la glycine, la proline, la méthionine et l’aspartate — étaient consommés ou sécrétés de façon nettement différente entre les deux groupes. Ces changements indiquaient des réorientations de voies reliant la dégradation des acides aminés, la production d’énergie et la génération de déchets, suggérant que les cellules de passage tardif reconfiguraient leur façon de se procurer de l’énergie et de gérer l’azote et l’équilibre redox (oxydoréduction).

Observer le métabolisme avec une IA explicable

Parce que le métabolisme cellulaire implique des milliers de réactions interconnectées, les auteurs ont utilisé un modèle métabolique à l’échelle du génome pour les cellules CHO combiné à l’analyse d’équilibre de flux (flux balance analysis), une méthode qui estime l’intensité des flux de chaque réaction. Ils ont contraint ce modèle avec des mesures réelles issues de leurs cultures, puis utilisé une version « capacité-enzymatique » de la méthode qui prend en compte l’efficacité de chaque enzyme. Cela a généré de nombreux profils de flux internes compatibles avec les données. Pour interpréter cette sortie haute dimension, ils ont entraîné un modèle d’apprentissage automatique pour distinguer les profils de flux de passage précoce et tardif, puis appliqué de l’IA explicable — en particulier SHapley Additive exPlanations (SHAP) — pour classer les réactions et métabolites qui différenciaient le plus fortement les deux états.

Du mode construction au mode autoprotection

L’analyse par IA explicable a mis en évidence un récit clair. Dans les cellules de passage précoce, le carbone issu des nutriments était orienté via le pyruvate vers l’acétyl-CoA puis massivement vers la synthèse des acides gras, soutenant la construction de membranes et la croissance rapide. Dans les cellules de passage tardif, une plus grande part d’acétyl-CoA était dirigée vers le cycle énergétique central pour maintenir l’énergie sous stress, tandis que des réactions clés de la voie de « transsulfuration » faisaient basculer les cellules de l’importation de cystéine vers sa synthèse interne. Cette cystéine nouvellement produite était orientée vers la glutathion, un important antioxydant qui aide à neutraliser les espèces réactives de l’oxygène. Cette autoprotection avait un coût : la même cystéine est également nécessaire pour former des liaisons stables dans les anticorps, et sa diversion, ainsi que l’ammoniaque supplémentaire libérée par ces voies, a probablement contribué à des rendements d’anticorps plus faibles et à une augmentation des déchets toxiques.

Comment cela aide à stabiliser les usines pharmaceutiques

Pour un non-spécialiste, le message est que les cellules CHO changent progressivement de priorités au fil des passages : au début elles sont en « mode constructeur », transformant efficacement les nutriments en nouvelles cellules et protéines thérapeutiques ; plus tard elles basculent en « mode survie », consacrant plus de ressources à se défendre contre le stress oxydatif, même si cela signifie produire moins de médicaments et plus de déchets. En combinant des mesures détaillées de culture cellulaire, des modèles métaboliques à grande échelle et de l’IA explicable, les auteurs ont pu identifier l’axe cystéine–glutathion et les voies associées comme des leviers contrôlant ce basculement. Ajuster la formulation des milieux — par exemple en ajoutant des antioxydants alternatifs ou des composés qui épargnent la cystéine — pourrait aider à maintenir les cellules dans un état plus productif plus longtemps, améliorant la fiabilité et l’efficacité de la fabrication de médicaments biologiques.

Citation: 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

Mots-clés: cellules CHO, production d’anticorps, stabilité de lignées cellulaires, modélisation métabolique, IA explicable