机器学习辅助的紫外吸收光谱法检测细胞治疗产品中的微生物污染

我们展示了在细胞治疗产品（CTP）制造过程中，利用机器学习辅助的紫外吸收光谱法进行微生物污染检测的可行性。该方法采用一类支持向量机来分析细胞培养物的吸收光谱，并预测样本是否无菌或受到污染。这种无需标记的技术提供了快速的结果输出（<30分钟），且样品制备简单、所需体积小（<1 mL）。通过将7种微生物注入来自6个商业供体的间充质基质细胞上清液中，结果显示即使在低接种量为10个菌落形成单位（CFU）的情况下，也能检测到污染事件，其平均真阳性率和真阴性率分别为92.7%和77.7%。排除一个含有异常高浓度烟酸的供体样本后，真阴性率进一步提高至92%。在被10个CFU的大肠杆菌污染的细胞中，污染在21小时的时间点被检测到，显示出与美国药典<71>测试（~24小时）相当的灵敏度。我们假设紫外区域内的烟酸和烟酰胺之间的光谱差异是检测污染的基础机制。这种方法可以在CTP制造的不同阶段作为初步测试部署，实现实时、连续的培养监测，从而早期发现微生物污染，确保CTP的安全性。