科研进展 | 马炯/糜岚课题组提出智能鉴定无菌注射液颗粒的方法

单克隆抗体在无菌注射液的制造、运输和储存过程中，容易在不同的应力条件下通过聚集、片段化和氧化形成蛋白质颗粒。根据药典要求，在产品的整个保质期内需要控制不溶性微粒水平。因此，除了颗粒计数外，准确表征药品中的颗粒以了解暴露的应力条件并针对特定制剂配方采取补救措施至关重要。

近日，复旦大学信息科学与工程学院马炯/糜岚课题组在期刊Talanta以Article形式在线发表题为“Closed, one-stop intelligent and accurate particle characterization based on micro-Raman spectroscopy and digital microfluidics”的文章。该研究首次采用数字微流控芯片（DMF）作为样品检测平台，并结合显微拉曼光谱技术和机器学习算法对蛋白质颗粒进行了智能表征。

近年来，显微拉曼光谱技术由于其分析速度快和水友好性，又可以同时揭示颗粒形态和分子结构，在颗粒表征中应用较多。而机器学习可以对不同样品的拉曼光谱数据进行分类分析，以揭示复杂光谱之间的差异。然而，在拉曼光谱检测期间，颗粒样品的手动操作（例如过滤，冲洗）和开放环境下的检测，可能会改变或破坏颗粒样品形态并导致检测期间液体变干，甚至在扁平基质（金膜或玻璃片等有或无盖）上的颗粒可能被环境颗粒污染（例如，通过空气或人体接触）。以上因素限制了拉曼光谱对颗粒表征检测的准确性。

本研究采用封闭式的DMF芯片作为溶液颗粒样品平台，将应力降解诱导的蛋白质颗粒溶液加到DMF芯片上，并产生多个液滴用于拉曼光谱检测。将获得的蛋白质颗粒拉曼光谱对多个机器学习分类算法进行训练，得到了高分类准确率（93%–100%），最终成功表征和预测了八种类型的蛋白质颗粒。

图 1 (a)双板DMF芯片的顶视示意图。(b)芯片上液滴移动的顶视示意图。(c)样品加载和液滴移动过程中芯片的侧视示意图。(d)拉曼光谱检测过程中芯片的侧视示意图。(e)通过HOOKE P300共聚焦显微拉曼光谱仪拍摄的电极上液滴的光学图像。电极上液滴(e)左图的比例尺为100μm，液滴中蛋白质颗粒(e)右图的比例尺为20μm。

图 2通过HOOKE P300共聚焦显微拉曼光谱仪拍摄的数字微流控芯片产生的液滴中蛋白质颗粒的光学图像。分别在以下影响因素条件下形成的蛋白质颗粒：(a)振摇；(b)FT10；(c)40℃；(d)80℃；(e)pH 3；(f) pH 10-振摇；(g)氧化-振摇；(h)2000 KLH的光暴露。比例尺为20μm。

图 3不同影响因素条件下形成的8种蛋白质颗粒拉曼光谱的特征拉曼峰分布。

图 4 PCA 3D 可视化（3个主成分）和不同的机器学习模型用8种影响因素条件下得到的蛋白质颗粒拉曼光谱的训练（验证）和测试混淆矩阵。(a) and (g):2.4 Linear Discriminant – Linear Discriminant; (b) and (h): 2.5 Quadratic discriminant – Quadratic discriminant。

 

本研究首次报道了DMF作为一个封闭的样品平台并整合显微拉曼光谱进行颗粒表征。该方法具有以下优点。第一，封闭DMF平台可以较好的预防样品制备和检测过程中的颗粒污染，以提高检测准确性。第二，该方法可以同时提供颗粒的形态和化学结构信息，实现颗粒表征的一站式检测，以节省成本和时间，提高效率。第三，样品消耗量少，且在DMF电极上的液滴可在拉曼光谱检测后回收再利用。第四，机器学习算法大大简化了复杂的拉曼光谱解析，智能颗粒表征具有较高分类准确度。

这种基于DMF芯片的拉曼光谱颗粒表征并结合机器学习的分析方法，可以极大地支持科学家识别颗粒形成的可能原因，并制定准确的由数据驱动的颗粒控制策略，最终延长生命周期管理中的高浓度抗体蛋白质产品的效期。

 

原文链接：https://doi.org/10.1016/j.talanta.2023.124895