[发明专利]基于人工神经网络实现多柱连续流层析设计及分析的方法

说明书

本发明公开了一种基于人工神经网络实现多柱连续流层析设计及分析的方法，包括：步骤1，第一人工神经网络训练，以穿透曲线数据集为输入，机理模型参数集为输出，训练得到第一人工神经网络；步骤2，第二人工神经网络训练，以机理模型参数集为输入，穿透曲线数据集为输出，训练得到第二人工神经网络；步骤3，采用第一人工神经网络进行穿透曲线拟合；步骤4，采用第二人工神经网络进行穿透曲线预测；步骤5，连续流层析的过程分析，将穿透曲线和连续流操作参数代入连续流层析模型，得到过程产率和介质利用度；步骤6，连续流层析的操作空间优化，基于特定分离目标，确定合适的过程产率和介质利用度，得到优化的连续流层析设计参数的操作空间。

技术领域

本发明涉及生物化工和生物工程领域的蛋白层析分离技术，具体涉及一种基于人工神经网络实现多柱连续流层析设计及分析的方法。

背景技术

连续制造工艺在石油化工、食品及化学工业中已得到广泛的应用，但是在生物技术领域，连续生产技术起步较晚，技术上不够成熟。近年来，一种新型的连续层析分离技术-多柱周期性逆流层析(multi-column periodic counter-current chromatography)，又称连续流层析，被成功应用于蛋白分离，特别是抗体药物生产的蛋白A亲和捕获过程。传统的抗体下游分离过程为基于蛋白A亲和捕获的三步批次层析工艺，其过程效率有限，难以匹配快速增长的上游细胞培养过程产率。另一方面，蛋白A亲和介质价格昂贵，传统批次层析的介质利用度仅60％左右，有必要提高蛋白A亲和介质的利用度，降低介质成本。

连续流层析基本原理是通过双柱串联上样，使用第二根层析柱承接第一根层析柱穿透的蛋白，第一根层析柱在合适的穿透点终止上样，切换至第二根层析柱上样，第一根层析柱则进行洗脱和再生，多柱交替实现连续操作，从而提高过程产率和介质利用度，减少缓冲液消耗和设备规模。专利(US Patent 10099156 B2)描述了一种双柱串联上样的蛋白捕获方式。专利(US Patent 2012/0091063 A1)提出了一种三柱连续流设备，并将其应用于含有单克隆抗体和牛血清白蛋白的混合物分离。专利(US Patent 2017/0016864 A1)提出了多柱连续流蛋白捕获方式，其包括双柱和三柱的串联上样，并对过程进行了实验优化。整体而言，多柱连续流层析过程复杂，可选择操作参数多，实验优化的工作量极大，若借助数学模型进行合理的过程表征和辅助设计，可以显著提高过程设计和优化的效率，减少实验摸索。虽然已有成熟的数学方法可以针对层析实验的穿透曲线进行拟合和预测，如BaurDaniel等(Biotechnol.J，2016，11：920-931)结合一般性速率模型(General rate model)和缩核模型(Shrinking core model)，对实验穿透曲线进行拟合得到机理参数，然后预测多流速和多浓度下的穿透曲线，从而辅助进行层析过程优化设计，但是求解偏微分方程组需要花费较长的时间，精度要求越高，所需计算时间就越长。不利于大范围的多参数优化和过程的快速设计和分析。

人工神经网络系统出现于20世纪40年代，由众多可调连接权值的神经元连接而成，具有大规模并行处理、分布式信息存储和自组织自学习等能力。。目前，人工神经网络用于层析分离过程分析，已从简单的模式识别发展为基于机理模型的网络预测，如专利(USPatent 5,121,443；EP0395481A2)报道了使用神经网络去除噪声干扰，识别和拆分叠加色谱峰，并对色谱峰各项性质(如保留时间、峰宽等)进行表征。Du等(J.Chromatogr.A，2007，1145：165-174)提出可以使用人工神经网络预测蛋白吸附的穿透曲线。Wang等(J.Chromatogr.A，2017，1487：211-217)提出可以将机理模型参数代入机理模型产生训练集，训练神经网络，以代替计算过程繁琐复杂的机理模型，并对离子交换层析峰型进行拟合。上述专利及论文中使用的神经网络结构简单，功能相对单一，在实际应用中仍然存在许多限制，且难以满足复杂的过程设计和大范围的参数优化要求。鉴于连续流层析过程的复杂性，需要对训练数据集选取进行重新规划，以满足过程设计和分析的需求。

发明内容