Onderzoek naar de stabiliteit van CHO-cellen tijdens langdurig passageren met behulp van eXplainable AI-gestuurde fluxbalansanalyse

Waarom ‘fabriekcellen’ hun scherpte kunnen verliezen

Veel moderne geneesmiddelen, waaronder succesvolle antilichaamtherapieën, worden geproduceerd door Chinese hamsterovariumcellen (CHO-cellen) die in grote stalen tanks groeien. Deze cellen worden over vele generaties uitgebreid voordat ze in de fabriek terechtkomen, en na verloop van tijd kunnen ze op mysterieuze wijze vertragen of de kwaliteit van de geproduceerde geneesmiddelen veranderen. Deze studie stelt een eenvoudige maar cruciale vraag: naarmate CHO-cellen steeds opnieuw worden gepasseerd, hoe verschuift hun interne metabolisme — en kunnen we kunstmatige intelligentie gebruiken om te zien wat er misgaat en hoe dat te herstellen?

Vroege en late generaties van dezelfde celijn

De onderzoekers begonnen met één antilichaamproducerende CHO-celijn en volgden deze gedurende meer dan 30 rondes van passageren, vergelijkbaar met het herhaaldelijk verplanten van stekken van dezelfde plant. Uit deze lange reeks creëerden ze twee werkgroepen: “vroege passage”-cellen genomen na slechts een paar groeirondes, en “late passage”-cellen genomen na veel meer rondes. Wanneer ze onder identieke omstandigheden werden gekweekt, bereikten beide groepen vergelijkbare piekcel aantallen, en de late cellen deelden zelfs iets sneller. Toch produceerden de late cellen ongeveer 35% minder antilichaam en bouwden ze hogere niveaus van ongewenste afvalmoleculen op, vooral lactaat en ammoniak, die bekend staan om cellen te belasten en productie te belemmeren.

Voedingsstoffen en afval volgen om het keerpunt te vinden

Om te begrijpen wanneer en hoe de cellen begonnen te divergeren, volgde het team de voedingsstoffen en bijproducten in het kweekmedium gedurende twee weken, met focus op glucose en 20 aminozuren. Met behulp van multivariate statistiek toonden ze aan dat de grootste metabole verschillen tussen vroege en late passage-cellen zich openbaarden tijdens de snelle groeifase, vooral tussen dag 2 en 6 van de kweek. Bepaalde aminozuren — zoals glycine, proline, methionine en aspartaat — werden op opvallend verschillende manieren gebruikt of uitgescheiden tussen de twee groepen. Deze veranderingen wezen op verschuivingen in paden die aminozuurafbraak, energieproductie en afvalgeneratie verbinden, wat suggereert dat de late passage-cellen hun manier van energievoorziening en het beheer van stikstof en redox (oxidatie–reductie) aan het herschakelen waren.

Het metabolisme doorgronden met explainable AI

Aangezien celmetabolisme duizenden onderling verbonden reacties omvat, gebruikten de auteurs een genoom-schaal metabool model van CHO-cellen gecombineerd met fluxbalansanalyse, een methode die schat hoe sterk elke reactie stroomt. Ze constrain-den dit model met echte metingen uit hun kweek en gebruikten vervolgens een “enzyme-capacity” versie van de methode die rekening houdt met hoe efficiënt elk enzym is. Dit leverde veel mogelijke interne fluxpatronen op die met de data consistent zijn. Om dit hoog-dimensionale resultaat te interpreteren, trainden ze een machine-learningmodel om vroege van late passage-fluxpatronen te onderscheiden en pasten ze explainable AI toe — in het bijzonder SHapley Additive exPlanations (SHAP) — om te rangschikken welke reacties en metabolieten het sterkst tussen de twee toestanden verschilden.

Van bouwmodus naar zelfbeschermingsmodus

De explainable AI-analyse wees op een duidelijke verhaallijn. Bij vroege passage-cellen werd koolstof uit voedingsstoffen via pyruvaat naar acetyl-CoA geleid en vervolgens sterk gebruikt voor vetzuursynthese, wat membranen opbouwde en snelle groei ondersteunde. Bij late passage-cellen werd meer acetyl-CoA door de centrale energieketen gedreven om energie te behouden onder stress, terwijl sleutelreacties in het “trans-sulfuratie”-pad de cellen verschoven van het importeren van cysteïne naar het zelf maken ervan. Die nieuw geproduceerde cysteïne werd gericht gebruikt voor glutathion, een belangrijk antioxidant dat helpt schadelijke reactieve zuurstofsoorten op te ruimen. Deze zelfbescherming had een prijs: dezelfde cysteïne is ook nodig om stabiele bindingen in antilichamen te vormen, en de afleiding ervan, samen met extra ammoniak die door deze paden vrijkomt, droeg waarschijnlijk bij aan slechtere antilichaamopbrengsten en meer toxisch afval.

Wat dit helpt om medicijnfabrieken stabiel te houden

Voor niet-specialisten is de boodschap dat CHO-cellen geleidelijk hun prioriteiten verschuiven naarmate ze worden gepasseerd: in het begin zijn ze in een “bouwer”-modus en zetten voedingsstoffen efficiënt om in nieuwe cellen en therapeutische eiwitten; later schakelen ze naar een “overlever”-modus en besteden meer middelen aan zelfverdediging tegen oxidatieve stress, ook al betekent dat minder medicijnproductie en meer afval. Door gedetailleerde kweekmetingen, grootschalige metabole modellen en explainable AI te combineren, konden de auteurs de cysteïne–glutathion-as en verwante paden aanwijzen als hefbomen die deze verschuiving sturen. Het aanpassen van mediumformuleringen — bijvoorbeeld door alternatieve antioxidanten of verbindingen toe te voegen die cysteïne sparen — zou kunnen helpen cellen langer in een productievere staat te houden, waardoor de betrouwbaarheid en efficiëntie van de productie van biologische geneesmiddelen verbeteren.

Bronvermelding: 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

Trefwoorden: CHO-cellen, antilichaamproductie, stabiliteit van cellijnen, metabole modellering, explainable AI