Esplorare la stabilità delle cellule CHO durante passaggi prolungati tramite analisi di bilancio di flusso guidata da AI spiegabile

Perché le cellule “da fabbrica” possono perdere efficienza

Molti farmaci moderni, compresi potenti anticorpi terapeutici, sono prodotti da cellule di ovaio di criceto cinese (CHO) coltivate in grandi vasche d’acciaio. Queste cellule vengono espanse per molte generazioni prima di arrivare in produzione e, col tempo, possono misteriosamente rallentare o modificare la qualità dei prodotti che sintetizzano. Questo studio pone una domanda semplice ma cruciale: man mano che le cellule CHO vengono ripassate più e più volte, come cambia il loro metabolismo interno — e possiamo usare l’intelligenza artificiale per capire cosa va storto e come correggerlo?

Generazioni precoci e tardive della stessa linea cellulare

I ricercatori hanno iniziato con una singola linea cellulare produttrice di anticorpi e l’hanno seguito per oltre 30 cicli di passaggio, un po’ come ripiantare continuamente talee della stessa pianta. Da questo lungo percorso hanno ricavato due gruppi operativi: cellule a “passaggio precoce” prelevate dopo poche ricrescita e cellule a “passaggio tardivo” ottenute dopo molti più cicli. Coltivate in condizioni identiche, entrambi i gruppi raggiungevano un numero massimo di cellule simile, e le cellule tardive addirittura si dividevano leggermente più in fretta. Tuttavia le cellule tardive producevano circa il 35% in meno di anticorpo e accumulavano livelli più elevati di metaboliti di scarto indesiderati, in particolare lattato e ammoniaca, noti per stressare le cellule e interferire con la produzione.

Monitorare nutrienti e scarti per trovare il punto di svolta

Per capire quando e come le cellule hanno iniziato a divergere, il team ha monitorato nutrienti e prodotti di scarto nel mezzo di coltura per due settimane, concentrandosi su glucosio e 20 amminoacidi. Utilizzando statistiche multivariate, hanno mostrato che le differenze metaboliche maggiori tra cellule a passaggio precoce e tardivo emergevano durante la fase di crescita rapida, in particolare tra il giorno 2 e il giorno 6 di coltura. Alcuni amminoacidi — come glicina, prolina, metionina e aspartato — venivano consumati o secreti in modi marcatamente diversi tra i due gruppi. Questi cambiamenti indicavano spostamenti in vie metaboliche che collegano la degradazione degli amminoacidi, la produzione di energia e la generazione di scarti, suggerendo che le cellule a passaggio tardivo rimodulavano il modo in cui si alimentano e gestiscono l’azoto e l’equilibrio redox (ossidoriduttivo).

Scrutare il metabolismo con un’AI spiegabile

Poiché il metabolismo cellulare coinvolge migliaia di reazioni interconnesse, gli autori si sono affidati a un modello metabolico su scala genomica delle cellule CHO combinato con l’analisi di flusso di bilancio (flux balance analysis), un metodo che stima l’intensità di flusso di ciascuna reazione. Hanno vincolato questo modello con misure sperimentali derivate dalle loro colture e poi hanno usato una versione «a capacità enzimatica» del metodo che tiene conto dell’efficienza di ciascun enzima. Ciò ha prodotto molti possibili schemi di flusso interni compatibili con i dati. Per interpretare questo output ad alta dimensione, hanno addestrato un modello di machine learning a distinguere gli schemi di flusso di passaggi precoci da quelli tardivi e quindi hanno applicato un’AI spiegabile — in particolare SHapley Additive exPlanations (SHAP) — per classificare quali reazioni e metaboliti differenziavano più fortemente i due stati.

Da modalità costruzione a modalità autodifesa

L’analisi con l’AI spiegabile ha indicato una narrazione chiara. Nelle cellule a passaggio precoce, il carbonio proveniente dai nutrienti veniva convogliato tramite il piruvato nell’acetil‑CoA e quindi indirizzato in gran parte alla sintesi degli acidi grassi, a supporto della costruzione di membrane e della rapida crescita. Nelle cellule a passaggio tardivo, più acetil‑CoA veniva invece deviato nel ciclo energetico centrale per mantenere l’energia sotto stress, mentre reazioni chiave nella via della «trans‑sulfatazione» spostavano le cellule dall’importare cisteina al sintetizzarla internamente. La cisteina neo‑sintetizzata veniva incanalata verso il glutatione, un importante antiossidante che contribuisce a neutralizzare specie reattive dell’ossigeno dannose. Questa autodifesa aveva però un costo: la stessa cisteina è necessaria per formare legami stabili negli anticorpi, e la sua deviazione, insieme all’aumentata produzione di ammoniaca da queste vie, ha probabilmente contribuito a rese anticorpali inferiori e a maggiore tossicità dei rifiuti.

Come questo aiuta a mantenere stabili le “fabbriche” di farmaci

Per un non specialista, il messaggio è che le cellule CHO modificano gradualmente le priorità durante i passaggi: inizialmente sono in modalità «costruttore», trasformando i nutrienti in nuove cellule e proteine terapeutiche in modo efficiente; più tardi passano a una modalità «sopravvivenza», spendendo più risorse per difendersi dallo stress ossidativo, anche se ciò significa produrre meno farmaci e più scarti. Combinando misure dettagliate delle colture cellulari, modelli metabolici su larga scala e AI spiegabile, gli autori sono riusciti a identificare l’asse cisteina–glutatione e vie correlate come leve che controllano questo cambiamento. Aggiustare le formulazioni del mezzo — per esempio integrando antiossidanti alternativi o composti che risparmino cisteina — potrebbe aiutare a mantenere le cellule in uno stato più produttivo più a lungo, migliorando affidabilità ed efficienza nella produzione di farmaci biologici.

Citazione: 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

Parole chiave: cellule CHO, produzione di anticorpi, stabilità della linea cellulare, modellazione metabolica, AI spiegabile