Explorando a estabilidade de células CHO durante passagens prolongadas por meio de análise de balanço de fluxos dirigida por IA explicável

Por que células 'fábrica' podem perder vantagem

Muitos medicamentos modernos, incluindo anticorpos blockbusters, são produzidos por células de ovário de hamster chinês (CHO) cultivadas em tanques de aço gigantes. Essas células são expandidas por muitas gerações antes de entrarem numa fábrica e, com o tempo, podem misteriosamente desacelerar ou alterar a qualidade dos medicamentos que produzem. Este estudo faz uma pergunta simples, mas crucial: à medida que células CHO são passadas repetidas vezes, como seu metabolismo interno se altera — e podemos usar inteligência artificial para identificar o que dá errado e como consertar?

Gerações iniciais e tardias da mesma linhagem celular

Os pesquisadores partiram de uma única linhagem de células CHO produtora de anticorpos e a acompanharam por mais de 30 rodadas de passagens, algo semelhante a replantar estacas da mesma planta repetidamente. Dessa longa jornada surgiram dois grupos de trabalho: células de “passagem inicial” obtidas após poucas rodadas de crescimento e células de “passagem tardia” coletadas após muitas mais. Crescendo sob condições idênticas, ambos os grupos alcançaram números máximos de células semelhantes, e as células tardias, na verdade, dividiram-se um pouco mais rápido. Ainda assim, as células tardias produziram cerca de 35% menos anticorpo e acumularam níveis maiores de moléculas residuais indesejadas, especialmente lactato e amônia, conhecidas por estressar células e interferir na produção.

Rastreando nutrientes e resíduos para encontrar o ponto de virada

Para entender quando e como as células começaram a divergir, a equipe monitorou nutrientes e subprodutos no meio de cultura por duas semanas, focando em glicose e 20 aminoácidos. Usando estatística multivariada, demonstraram que as maiores diferenças metabólicas entre células de passagem inicial e tardia surgiram durante a fase de crescimento rápido, especialmente entre os dias 2–6 de cultura. Certos aminoácidos — como glicina, prolina, metionina e aspartato — foram consumidos ou secretados de maneiras marcadamente diferentes entre os dois grupos. Essas mudanças apontaram para alterações em vias que conectam a degradação de aminoácidos, produção de energia e geração de resíduos, sugerindo que as células de passagem tardia estavam reconfigurando a forma como se alimentam e gerenciam o nitrogênio e o balanço redox (oxidação–redução).

Vendo o metabolismo por dentro com IA explicável

Como o metabolismo celular envolve milhares de reações interconectadas, os autores recorreram a um modelo metabólico em escala genômica de células CHO combinado com análise de balanço de fluxos, um método que estima a intensidade de cada reação. Eles restringiram esse modelo com medições reais de suas culturas e então usaram uma versão com “capacidade enzimática” do método que leva em conta quão eficientes são as enzimas. Isso produziu muitos padrões internos de fluxo possíveis consistentes com os dados. Para interpretar essa saída de alta dimensão, treinaram um modelo de aprendizado de máquina para distinguir padrões de fluxo de passagem inicial e tardia e aplicaram IA explicável — especificamente SHapley Additive exPlanations (SHAP) — para ranquear quais reações e metabolitos mais fortemente distinguiam os dois estados.

Do modo construção ao modo autoproteção

A análise com IA explicável apontou uma narrativa clara. Nas células de passagem inicial, o carbono proveniente dos nutrientes era direcionado através do piruvato para acetil-CoA e então fortemente para a síntese de ácidos graxos, sustentando a construção de membranas e o rápido crescimento. Nas células de passagem tardia, mais acetil-CoA foi empurrado pelo ciclo central de energia para manter a energia sob estresse, enquanto reações-chave na via da “trans-sulfuração” deslocaram as células de importar cisteína para produzi-la internamente. Essa cisteína recém-sintetizada foi canalizada para a glutationa, um importante antioxidante que ajuda a neutralizar espécies reativas de oxigênio danosas. Essa autoproteção teve um custo: a mesma cisteína também é necessária para formar ligações estáveis em anticorpos, e sua mudança de destino, junto com a amônia extra liberada por essas vias, provavelmente contribuiu para rendimentos de anticorpo piores e mais resíduos tóxicos.

Como isso ajuda a manter fábricas de medicamentos estáveis

Para um não-especialista, a mensagem é que células CHO mudam gradualmente de prioridades conforme são passadas: no início estão em modo “construtor”, convertendo nutrientes eficientemente em novas células e proteínas terapêuticas; mais tarde, mudam para modo “sobrevivente”, gastando mais recursos para se defender do estresse oxidativo, mesmo que isso signifique produzir menos remédios e mais resíduos. Ao combinar medições detalhadas de cultura celular, modelos metabólicos em larga escala e IA explicável, os autores puderam identificar o eixo cisteína–glutationa e vias relacionadas como alavancas que controlam essa transição. Ajustar formulações de meio — por exemplo, adicionando antioxidantes alternativos ou compostos que poupem cisteína — pode ajudar a manter as células em um estado mais produtivo por mais tempo, melhorando a confiabilidade e a eficiência da fabricação de fármacos biológicos.

Citação: 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

Palavras-chave: células CHO, produção de anticorpos, estabilidade de linhagem celular, modelagem metabólica, IA explicável