通过可解释人工智能驱动的通量平衡分析探索长期传代中CHO细胞的稳定性

为什么“工厂细胞”会失去优势

许多现代药物，包括畅销的抗体药物，都是由在大型钢罐中培养的仓鼠卵巢（CHO）细胞生产的。这些细胞在真正进入生产之前会经过多代扩增，随着时间推移它们可能会莫名其妙地生长变慢或改变所产药物的质量。本研究提出了一个简单但关键的问题：随着CHO细胞不断传代，它们的内部代谢如何发生变化——我们能否用人工智能看清问题所在并找到修复方法？

同一细胞系的早期与晚期代次

研究人员从一个抗体产生的CHO细胞系出发，追踪了超过30轮传代，类似于反复取用同一株植物的插枝。经过这段漫长过程，他们将细胞分成两组：“早期传代”细胞取自仅经过少量生长轮次的样本，“晚期传代”细胞则取自经过更多轮次的样本。在相同培养条件下，两组达到的最高细胞数相似，晚期细胞甚至分裂得略快。然而，晚期细胞产生的抗体减少了约35%，并且积累了更多不想要的废物分子，尤其是乳酸和氨，这些物质已知会给细胞带来压力并干扰产量。

追踪营养物与废物以确定分岔点

为了弄清细胞何时以及如何开始分化，团队在两周的培养期间监测了培养基中的营养物和代谢产物，重点关注葡萄糖和20种氨基酸。通过多变量统计，他们显示出早期与晚期传代细胞之间最大的代谢差异出现在快速生长期，尤其是培养第2至6天之间。某些氨基酸——如甘氨酸、脯氨酸、蛋氨酸和天冬氨酸——在两组之间的使用或分泌方式有显著不同。这些变化指向了连接氨基酸分解、能量产生与废物生成的通路发生了转变，暗示晚期传代细胞在其能量供给以及氮和氧化还原平衡的管理上进行了重新布线。

用可解释人工智能窥探代谢内部

由于细胞代谢涉及数千个相互连接的反应，作者们转而使用了CHO细胞的基因组尺度代谢模型结合通量平衡分析（FBA），这是一种估算各反应流强度的方法。他们用实际培养测量值对模型施加约束，并采用考虑酶效率的“酶容量”版本以反映每种酶的效率。这样得到与数据一致的多种内部通量模式。为了解读这些高维输出，他们训练了机器学习模型来区分早期与晚期的通量模式，然后应用可解释AI——具体为SHapley Additive exPlanations（SHAP）——对区分两种状态最重要的反应和代谢物进行排序。

从建设模式转向自我保护模式

可解释AI分析指向了一个清晰的叙事。在早期传代细胞中，来自营养物的碳主要通过丙酮酸流入乙酰辅酶A，随后大量进入脂肪酸合成，支持膜的构建和快速生长。而在晚期传代细胞中，更多的乙酰辅酶A被推入中央能量循环以在压力下维持能量，同时“转硫”通路中的关键反应使细胞从外源性摄取半胱氨酸转为内源性合成。新合成的半胱氨酸被引导用于谷胱甘肽合成，谷胱甘肽是一种重要的抗氧化剂，能清除有害的活性氧。这种自我保护是有代价的：同样的半胱氨酸也用于形成抗体中的稳定二硫键，其被分流，加上这些通路释放的额外氨，可能共同导致抗体产量下降和废物毒性增加。

这对维持药品生产稳定性的意义

对非专业读者而言，结论是：随着传代的进行，CHO细胞会逐渐调整优先级——早期处于“建设者”模式，高效地将营养物转化为新细胞和治疗蛋白；晚期则转为“生存者”模式，将更多资源用于抵御氧化应激，即便这意味着产药量下降且废物增多。通过结合详尽的细胞培养测量、大规模代谢模型与可解释AI，作者们能够将半胱氨酸—谷胱甘肽轴及相关通路识别为控制这种转变的杠杆。调整培养基配方——例如添加替代抗氧化剂或节省半胱氨酸的化合物——可能有助于让细胞更长时间保持更高的生产状态，从而提高生物制药制造的可靠性和效率。

引用: 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

关键词: CHO细胞, 抗体生产, 细胞系稳定性, 代谢建模, 可解释人工智能