5.3 MLR, PCR és PLSR módszerek alkalmazása CHO sejttenyészetek glükóz
5.3.4 Az MLR, PCR és PLSR módszerek alkalmazása CHO sejttenyészetek glükóz
40. ábra A Run1-3 sejttenyészet Raman spektrumaival a Run4 sejttenyészet glükóz koncentrációjának becslésére különböző változókiválasztási módszerekkel (első oszlop) és regressziós módszerekkel (második
oszlop) készített modellek eredményeinek összefoglalása, a különböző változókiválasztási módszerek segítségével meghatározott spektrumváltozók elhelyezkedését jelző fekete sávokat spektrumbeli a Run1
spektrumainak első deriváltjával szemléltetve.
Az előkezeléseket tartalmazó negyedik oszlopban a D jel a deriváltat jelzi, majd a szám a deriválás rendjét, ezt követi pedig az illesztett polinom rendje és a simítópontok száma. Az ötödik oszlop eltolás értéke az adott
modell Run4 becslése során kapott eltolásérték.
5.3.4 Az MLR, PCR és PLSR módszerek alkalmazása CHO sejttenyészetek glükóz
keresztkorrelációt mutatnak, ami miatt az MLR-rel nem lehet olyan jó becslést elérni, mint a másik két módszerrel. Ezért a változókiválasztás után, ami csökkentette a keresztkorrelációt és a multikollinearitást, a modell teljesítménye javult. Azonban a változók számának drasztikus csökkentése nem eredményezett pontosabb modellt, mint a több változóra készített modelleké.
Az MLR-rel szemben a PCR és PLS nem az eredeti spektrumváltozókat használta, hanem azokat látens változókká transzformálta, majd a regressziót a látens változókkal végezte. Az eredmények tükrében azt mondhattuk, hogy ez egy jó megoldásnak tűnt a modell predikciós képességeinek javítására, habár a PCR és PLS látens változó számítása eltér. Mivel a minőségi elemzés során, az 5.2.4.5 A legmagasabb korrelációt mutató főkomponensek loading értékei, a glükóz csúcsok azonosítása c. alfejezetben bebizonyítottuk, hogy a glükóz koncentráció egy nagyon domináns faktor a Raman spektrumokban, várható volt, hogy a PCR modell az MLR-nél jobban fog teljesíteni. Ezért volt meglepő, hogy az RMSEP nem javult, amikor szűkítettük a változók számát, de a modell glükózra specifikusabb változókra épült, ettől összességében robusztusabb lett, ami abban jelent meg, hogy a hasonlóan alacsony RMSEP érték eléréséhez szükséges látens változók száma csökkent, még ha az RMSEP egészen enyhén nőtt is. A PLS algoritmus előnyét és a Raman spektrumok valódi jellegét az összes változóra készített modell tükrözte, mert a PLS-sel tudtuk a legalacsonyabb hibájú, de legrobusztusabb modellt létrehozni. Ezért a PLS tűnt a legalkalmasabb regressziós módszernek, mivel olyan módon tömörítette az eredeti adatokat látens változókká, hogy a glükóz koncentráció szempontjából legrelevánsabb spektrumváltozók kapták a legnagyobb súlyt. Ezt több irányból megközelítve is alá tudtuk támasztani. Először is azzal, hogy a változókiválasztás, akkor is, ha korábbi ismereteken, mint a PCA korreláció, vagy tényleges számításon, mint az iPLS, alapult, nem javított az RMSEP értékén. Noha a PCA korreláció a PCR modellhez hasonlóan támogatta az algoritmust abban, hogy robusztusabb modellt számítson ki, de a predikció hibája ebben az esetben is nőtt. Ez azt jelentette, hogy az egyes változók súlyának meghatározása a PLS modellben akkor volt a legjobb, ha ezt maga a PLS algoritmus végezte, az algoritmus
„természetének” megfelelően, azaz a spektrumokban található és ezzel egyidőben a referencia adatokban a spektrumokban felfedezhető változékonysággal korreláló változékonyságot is figyelembe vette. Az iPLS, ami a teljes spektrum kisebb részleteire készít külön-külön modelleket, majd végül ezek közül a tartományok közül a legalacsonyabb hibával
bíró modelleket választja ki, csak összezavarta a PLS-t, mert nem a glükóz specifikus spektrum részeket választotta ki (40. ábra). Másodsorban a VIP eredmények bizonyították igazán, hogy a PLS a legalkalmasabb regressziós módszer, mivel a VIP változókiválasztással kapott eredmények megegyeztek a teljes tartományra kapott eredményekkel. Mivel a VIP a PLS által, a fentebb leírt módon meghatározott legrelevánsabb változókra szűkíti a modell alapjául szolgáló változókat, ezért tulajdonképpen a PLS végezte a változók kiválasztását ebben az esetben is, ami után a predikciós eredmények megegyeztek a teljes spektrumra készült modellével.
6 Tézisek (új tudományos eredmények)
1. NIR spektroszkópia segítségével nyomonkövettem CHO sejttenyészetek teljes léptéknövelési folyamatát rázatott lombikostól az ötezer literes léptékig, melyet glükóz koncentráció meghatározásra használtam fel. [95]
2. Bebizonyítottam, hogy NIR spektroszkópia alapú glükóz meghatározással el lehet érni hasonló (4 mM körüli) pontosságot, mint más erre a célra ígéretes (pl. Raman) spektroszkópiai módszerekkel, azonban a NIR spektroszkópiai modell csak a sejttenyészetek kezdetén ad kielégítően pontos eredményt. [95]
3. Viszonyítási alapot hoztam létre ipari léptékű CHO sejttenyészetek valós idejű NIR mérések becslési pontosságának tekintetében, ami 4,18 mM-nak adódott. [95]
4. Kifejlesztettem egy rázatott lombikos modellrendszert, amelyben a glükóz koncentrációt minden más tenyésztési paramétertől függetlenül lehet változtatni, de a tenyészetekre jellemző mátrix (sejtek, egyéb tápoldatkomponensek, metabolitok) megmarad, és mindeközben spektroszkópiai méréseket lehet végezni benne. [92,95,96]
5. Rázatott lombikos modellrendszerben, teljesen azonos mérési körülmények között kivitelezett méréssorozattal, megállapítottam, hogy a NIR és Raman spektroszkópia hasonlóan pontosan (2,18 és 2,22 mM) tudja a glükóz koncentrációt meghatározni. [96]
6. A rázatott lombikok segítségével fejlesztett modelleket bioreaktorokból származó spektrumokra transzferálva megállapítottam, hogy a NIR spektroszkópia alapú modellek túl magas hibával képesek csak a mindennapi gyakorlat szerint kivitelezett bioreaktoros sejttenyészetek glükóz koncentrációját becsülni, míg a Raman spektroszkópia alapú modell elfogadható (értsd. 5 mM alatti) hibával teszi ezt. [96]
7. Kimutattam, hogy Raman spektroszkópia alapú glükóz modell esetében az MLR nem elfogadható mértékben, viszont a PCR algoritmussal készített glükóz modell 0,2 mM-al meg tudja közelíteni a bevett PLSR technikával készített glükóz modellt, bioreaktoros CHO sejttenyészetekben. [97]
8. Megállapítottam, hogy bioreaktoros sejttenyészetekben felvett Raman spektrumok esetében glükóz koncentráció meghatározás céljából készített kemometriai modelleknél a leghatékonyabb változókiválasztási módszer (legpontosabb modellt eredményezi), ha a PLSR regressziós algoritmus saját súlyozó mechanizmusát használjuk. [97]
7 Köszönetnyilvánítás
A dolgozathoz kapcsolódó négyéves munkában köszönettel tartozom témavezetőmnek Gergely Szilveszternek,
Salgó András professzor úrnak,
Vértessy Beáta tanszékvezető asszonynak,
kollégáimnak a NIR spektroszkópia csoportban és
az Alkalmazott Biotechnológia és Élelmiszertudomány tanszék többi munkatársának, valamint
Marosi György professzor úrnak, aki a Raman készüléket rendelkezésünkre bocsátotta.
Köszönettel tartozom továbbá
Párta Lászlónak, aki 2017 végéig a témavezetésben társszerepet vállalt, Nagy Gáspárnak a kísérleti munkáért,
kollégáimnak az Upstream csoportban, valamint a
a Richter Gedeon Nyrt. Biotechnológia fejlesztési osztályának többi munkatársának.
Köszönöm az anyagi támogatást és az ösztöndíjat a Richter Gedeon Talentum Alapítványnak.
Köszönöm a bíztatást és a sok segítséget a családomnak, feleségemnek, szüleimnek.
8 Közlemények
8.1 Angol nyelvű lektorált folyóiratcikk nemzetközi folyóiratban
B. Kozma, L. Párta, D. Zalai, S. Gergely and A. Salgó A model system and chemometrics to develop near infrared spectroscopic monitoring for Chinese hamster ovary cell cultivations”, J. Near Infrared Spectrosc. 22(6), 401-410 (2014). doi:
http://dx.doi.org/10.1255/jnirs.1133 IF: 1.480 (2014), részvételi arány 45 %.
Kozma, B., Hirsch, E., Gergely, S., Párta, L., Pataki, H. & Salgó, A. On-line prediction of the glucose concentration of CHO cell cultivations by NIR and Raman spectroscopy:
Comparative scalability test with a shake flask model system. Journal of Pharmaceutical and Biomedical Analysis, 145, 346-355 (2017). doi: http://dx.doi.org/10.1016/j.jpba.2017.06.070 IF: 3.255 (2016), részvételi arány: 90 %.
Kozma, B., Salgó, A. & Gergely, S. Comparison of multivariate data analysis techniques to improve glucose concentration prediction in mammalian cell cultivations by Raman spectroscopy. Journal of Pharmaceutical and Biomedical Analysis, 158, 269-279 (2018) IF:
3.255 (2016). doi: https://doi.org/10.1016/j.jpba.2018.06.005, részvételi arány 100 %.
Kozma B, Salgó A & Gergely S. On-line glucose monitoring by near infrared spectroscopy during the scale up steps of mammalian cell cultivation process development.
Bioprocess and Biosystems Engineering. 42 (6), 921-932 (2019) IF: 2.139 (2019) doi:
10.1007/s00449-019-02091-z, részvételi arány 100 %.
8.2 Angol nyelvű előadás
Bence Kozma, László Párta, Szilveszter Gergely, András Salgó: Model System Based Scalability Test And Comparison Of NIR And Raman Spectroscopy By The On-line Prediction Of The Glucose Concentration Of CHO Cell Cultivations. Elhangzott az ICNIRS 2017 „NIR Spectroscopy at work in industry” konferencia, Process Analytical Technology szekciójában.
2017. június 14., szerda 11:30, Bella Center, Koppenhága, Dánia.
Bence Kozma, László Párta, Szilveszter Gergely, András Salgó: Model System Based Scalability Test And Comparison Of NIR And Raman Spectroscopy By The On-line Prediction Of The Glucose Concentration Of CHO Cell Cultivations. Elhangzott a The Great Scientific Exchange 2017 konferencia, PAT in The Biopharmaceutical Industry szekciójában. 2017. október 14., csütörtök 9:55, Grand Sierra Resort and Casino, Nevada 6 terem, Reno, NV, Amerikai Egyesült Államok.
Bence Kozma: Comparison of NIR and Raman Spectroscopy for Online Glucose Predictions Using a Shake Flask Model System. Elhangzott on-line, webinar formában. 2018.
január 30., kedd 15:00.
8.3 Magyar nyelvű előadás
Kozma Bence - Párta László - Gergely Szilveszter - Salgó András: Módszerfejlesztés emlőssejt-tenyészet glükóz tartalmának Fourier-transzformációs közeli infravörös spektroszkópiai alapú meghatározására. Elhangzott a NIR Klub, az MTA, Kémiai Tudományok Osztálya, Élelmiszertudományi Bizottság, Élelmiszeranalitikai és Minőség Munkabizottság és a Budapesti Corvinus Egyetem, Élelmiszertudományi Kar közös rendezvényén. 2013. április 18.
csüt., 14 óra, BCE, Villányi út, K épület, Elnöki Tanácsterem.
Kozma Bence: Aktuális trendek az emlőssejtes fermentációk folyamatkövetésében.
Elhangzott az MTA Biomérnöki Munkabizottság tavaszi szakmai találkozóján „Upstream technológiák és upstream kontroll” témakörben. 2016. május 6., 11:20, CEVA Phylaxia Zrt., Budapest, Köves terem.
Kozma Bence: Emlőssejt-tenyészetek vizsgálata közeli infravörös spektroszkópiai módszerekkel. Elhangzott az Oláh György Doktori Iskola XIV. PhD Konferenciáján. 2017.
február 2., csütörtök, BME, CH épület, CH C14-es terem.
8.4 Angol nyelvű konferencia kiadványban megjelent lektorált összefoglaló B. Kozma, L. Párta, Sz. Gergely, A. Salgó – Developing FT-NIR calibrations to measure glucose level of mammalian cell cultivation broths. Proceedings of NIR 2013 – 16th International Conference on Near Infrared Spectroscopy (pp. 343-349), 2-7 June 2013, la Grande-Motte, France
8.5 Angol nyelvű poszter
B. Kozma, L. Párta, Sz. Gergely, A. Salgó – Developing FT-NIR calibrations to measure glucose level of mammalian cell cultivation. NIR 2013 – 16th International Conference on Near Infrared Spectroscopy, 2-7 June 2013, la Grande-Motte, France
B. Kozma, L. Párta, Sz. Gergely, A. Salgó – Comparison of NIR and RAMAN spectroscopy in terms of glucose concentration prediction in mammalian cell cultivation. Workshop on Methods for Accelerating Scalable Bioprocess Development, 10-11 November 2016, Vienna, Austria
B. Kozma, L. Párta, Sz. Gergely, A. Salgó – Principal component correlation based variable selection to improve glucose concentration prediction in mammalian cell cultivations by Raman spectroscopy. Conferentia Chemometrica 2017, 3-6 September 2017, Gyöngyös-Farkasmály, Hungary
B. Kozma, L. Párta, Sz. Gergely, A. Salgó – Principal component correlation based variable selection to improve glucose concentration prediction in mammalian cell cultivations by Raman spectroscopy. The Great Scientific Exchange 2017, 8-13 October 2017, Reno (NV), USA
9 Irodalomjegyzék
1. Durocher Y, Butler M (2009) Expression systems for therapeutic glycoprotein production.
Current Opinion in Biotechnology 20 (6):700-707.
doi:https://doi.org/10.1016/j.copbio.2009.10.008
2. Ho RJY, Chien J (2014) Trends in translational medicine and drug targeting and delivery: new insights on an old concept-targeted drug delivery with antibody-drug conjugates for cancers.
Journal of pharmaceutical sciences 103 (1):71-77. doi:10.1002/jps.23761
3. Johnson I (1983) Human insulin from recombinant DNA technology. Science 219 (4585):632-637. doi:10.1126/science.6337396
4. Ghaderi D, Zhang M, Hurtado-Ziola N, Varki A (2012) Production platforms for biotherapeutic glycoproteins. Occurrence, impact, and challenges of non-human sialylation.
Biotechnology and Genetic Engineering Reviews 28 (1):147-176
5. Swiech K, Picanço-Castro V, Covas DT (2012) Human cells: new platform for recombinant therapeutic protein production. Protein expression and purification 84 (1):147-153
6. Casademunt E, Martinelle K, Jernberg M, Winge S, Tiemeyer M, Biesert L, Knaub S, Walter O, Schröder C (2012) The first recombinant human coagulation factor VIII of human origin:
human cell line and manufacturing characteristics. European journal of haematology 89 (2):165-176
7. Beck M (2009) Agalsidase alfa for the treatment of Fabry disease: new data on clinical efficacy and safety. Expert opinion on biological therapy 9 (2):255-261
8. Estes S, Melville M (2013) Mammalian cell line developments in speed and efficiency. In:
Mammalian Cell Cultures for Biologics Manufacturing. Springer, pp 11-33
9. Butler M, Spearman M (2014) The choice of mammalian cell host and possibilities for glycosylation engineering. Current opinion in biotechnology 30:107-112
10. Dumont J, Euwart D, Mei B, Estes S, Kshirsagar R (2016) Human cell lines for biopharmaceutical manufacturing: history, status, and future perspectives. Crit Rev Biotechnol 36 (6):1110-1122. doi:10.3109/07388551.2015.1084266
11. Yerganian G (1985) The biology and genetics of Chinese hamster. Molecular Cell Genetics:3-36
12. Tjio JH, Puck TT (1958) Genetics of somatic mammalian cells: II. Chromosomal constitution of cells in tissue culture. The Journal of experimental medicine 108 (2):259
13. Chasin LA, Urlaub G (1975) Chromosome-wide event accompanies the expression of recessive mutations in tetraploid cells. Science 187 (4181):1091-1093
14. Simon AE, Taylor M, Bradley W, Thompson L (1982) Model involving gene inactivation in the generation of autosomal recessive mutants in mammalian cells in culture. Molecular and cellular biology 2 (9):1126-1133
15. Puck T (1985) Development of the Chinese hamster ovary (CHO) cell for use in somatic cell genetics. John Wiley and Sons: New York, NY, USA,
16. Puck TT, Kao F-T (1967) Genetics of somatic mammalian cells. V. Treatment with 5-bromodeoxyuridine and visible light for isolation of nutritionally deficient mutants.
Proceedings of the National Academy of Sciences of the United States of America 58 (3):1227 17. Taylor M, Pipkorn J, Tokito M, Pozzatti R (1977) Purine mutants of mammalian cell lines:
III control of purine biosynthesis in adenine phosphoribosyl transferase mutants of CHO cells.
Somatic cell genetics 3 (2):195-206
18. Chan V, Whitmore G, Siminovitch L (1972) Mammalian cells with altered forms of RNA polymerase II. Proceedings of the National Academy of Sciences 69 (11):3119-3123
19. Kim JY, Kim Y-G, Lee GM (2012) CHO cells in biotechnology for production of recombinant proteins: current state and further potential. Applied microbiology and biotechnology 93 (3):917-930
20. Lai T, Yang Y, Ng S (2013) Advances in mammalian cell line development technologies for recombinant protein production. Pharmaceuticals 6 (5):579-603
21. Wiebe M, Becker F, Lazar R, May L, Casto B, Semense M, Fautz C (1989) A multifaceted approach to assure that recombinant tPA is free of adventitious virus.
22. Bosques CJ, Collins BE, Meador III JW, Sarvaiya H, Murphy JL, DelloRusso G, Bulik DA, Hsu I-H, Washburn N, Sipsey SF (2010) Chinese hamster ovary cells can produce galactose-α-1, 3-galactose antigens on proteins. Nature biotechnology 28 (11):1153
23. Ghaderi D, Taylor RE, Padler-Karavani V, Diaz S, Varki A (2010) Implications of the presence of N-glycolylneuraminic acid in recombinant therapeutic glycoproteins. Nature biotechnology 28 (8):863-867. doi:10.1038/nbt.1651
24. Xie L, Zhou W (2005) Fed-Batch Cultivation of Mammalian Cells for the Production of Recombinant Proteins. In: Sadettin Ozturk W-SH (ed) Cell Culture Technology for Pharmaceutical and Cell-Based Therapies. Biotechnology and Bioprocessing. CRC Press, pp 349-386. doi:doi:10.1201/9780849351068.ch10
25. Joan Cairó J, Gódia F (2005) Cell Metabolism. In: Cell Culture Technology for Pharmaceutical and Cell-Based Therapies. Biotechnology and Bioprocessing. CRC Press, pp 81-112. doi:doi:10.1201/9780849351068.ch4
26. Liu B, Spearman M, Doering J, Lattová E, Perreault H, Butler M (2014) The availability of glucose to CHO cells affects the intracellular lipid-linked oligosaccharide distribution, site occupancy and the N-glycosylation profile of a monoclonal antibody. J Biotechnol 170:17-27.
doi:http://dx.doi.org/10.1016/j.jbiotec.2013.11.007
27. Liu Z, Dai S, Bones J, Ray S, Cha S, Karger BL, Li JJ, Wilson L, Hinckle G, Rossomando A (2015) A quantitative proteomic analysis of cellular responses to high glucose media in Chinese hamster ovary cells. Biotechnol Progr 31 (4):1026-1038. doi:10.1002/btpr.2090
28. Fan Y, Jimenez Del Val I, Müller C, Wagtberg Sen J, Rasmussen SK, Kontoravdi C, Weilguny D, Andersen MR (2015) Amino acid and glucose metabolism in fed-batch CHO cell culture affects antibody production and glycosylation. Biotechnology and Bioengineering 112 (3):521-535. doi:10.1002/bit.25450
29. Sinclair AM, Elliott S (2005) Glycoengineering: The effect of glycosylation on the properties of therapeutic proteins. Journal of Pharmaceutical Sciences 94 (8):1626-1635.
doi:10.1002/jps.20319
30. Takuma S, Hirashima C, Piret JM (2007) Dependence on glucose limitation of the pCO2 influences on CHO cell growth, metabolism and IgG production. Biotechnology and Bioengineering 97 (6):1479-1488. doi:10.1002/bit.21376
31. Aghamohseni H, Ohadi K, Spearman M, Krahn N, Moo-Young M, Scharer JM, Butler M, Budman HM (2014) Effects of nutrient levels and average culture pH on the glycosylation pattern of camelid-humanized monoclonal antibody. J Biotechnol 186:98-109.
doi:https://doi.org/10.1016/j.jbiotec.2014.05.024
32. Lao M-S, Toth D (1997) Effects of Ammonium and Lactate on Growth and Metabolism of a Recombinant Chinese Hamster Ovary Cell Culture. Biotechnology Progress 13 (5):688-691.
doi:10.1021/bp9602360
33. Glacken MW, Fleischaker RJ, Sinskey AJ (1986) Reduction of waste product excretion via nutrient control: Possible strategies for maximizing product and cell yields on serum in cultures of mammalian cells. Biotechnology and Bioengineering 28 (9):1376-1389.
doi:10.1002/bit.260280912
34. Hu WS, Dodge TC, Frame KK, Himes VB (1987) Effect of glucose on the cultivation of mammalian cells. Developments in biological standardization 66:279-290
35. Ha H, Lee HB (2000) Reactive oxygen species as glucose signaling molecules in mesangial cells cultured under high glucose. Kidney International 58, Supplement 77:S19-S25.
doi:https://doi.org/10.1046/j.1523-1755.2000.07704.x
36. Chee Furng Wong D, Tin Kam Wong K, Tang Goh L, Kiat Heng C, Gek Sim Yap M (2005) Impact of dynamic online fed-batch strategies on metabolism, productivity and N-glycosylation quality in CHO cell cultures. Biotechnology and Bioengineering 89 (2):164-177.
doi:10.1002/bit.20317
37. Yuk IH, Zhang B, Yang Y, Dutina G, Leach KD, Vijayasankaran N, Shen AY, Andersen DC, Snedecor BR, Joly JC (2011) Controlling glycation of recombinant antibody in fed-batch cell cultures. Biotechnology and Bioengineering 108 (11):2600-2610. doi:10.1002/bit.23218 38. Nyberg GB, Balcarcel RR, Follstad BD, Stephanopoulos G, Wang DIC (1999) Metabolic effects on recombinant interferon-γ glycosylation in continuous culture of Chinese hamster ovary cells. Biotechnology and Bioengineering 62 (3):336-347. doi:10.1002/(SICI)1097-0290(19990205)62:3<336::AID-BIT10>3.0.CO;2-N
39. Lu S, Sun X, Zhang Y (2005) Insight into metabolism of CHO cells at low glucose concentration on the basis of the determination of intracellular metabolites. Process Biochem 40 (5):1917-1921. doi:10.1016/j.procbio.2004.07.004
40. Xie L, Nyberg G, Gu X, Li H, Möllborn F, Wang DIC (1997) Gamma-interferon production and quality in stoichiometric fed-batch cultures of Chinese hamster ovary (CHO) cells under serum-free conditions. Biotechnology and Bioengineering 56 (5):577-582.
doi:10.1002/(SICI)1097-0290(19971205)56:5<577::AID-BIT11>3.0.CO;2-9
41. Chen K, Liu Q, Xie L, Sharp PA, Wang DIC (2001) Engineering of a mammalian cell line for reduction of lactate formation and high monoclonal antibody production. Biotechnology and Bioengineering 72 (1):55-61. doi:10.1002/1097-0290(20010105)72:1<55::AID-BIT8>3.0.CO;2-4
42. FDA (2004) PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance.
43. Rathore AS, Bhambure R, Ghare V (2010) Process analytical technology (PAT) for biopharmaceutical products. Anal Bioanal Chem 398 (1):137-154. doi:10.1007/s00216-010-3781-x
44. Glassey J, Gernaey KV, Clemens C, Schulz TW, Oliveira R, Striedner G, Mandenius C-F (2011) Process analytical technology (PAT) for biopharmaceuticals. Biotechnology Journal 6 (4):369-377. doi:10.1002/biot.201000356
45. Gnoth S, Jenzsch M, Simutis R, Lubbert A (2007) Process Analytical Technology (PAT):
batch-to-batch reproducibility of fermentation processes by robust process operational design and control. J Biotechnol 132 (2):180-186. doi:10.1016/j.jbiotec.2007.03.020
46. Burns DA, Ciurczak EW (2007) Handbook of near-infrared analysis. CRC press, 47. A gyógyszerkutatás műszeres módszerei (2015). Magyar Kémikusok Egyesülete, 48. Whitford W, C J (2007) Analytical Technology and PAT. BioProcess International.
49. Abu-Absi NR, Martel RP, Lanza AM, Clements SJ, Borys MC, Li ZJ (2014) Application of spectroscopic methods for monitoring of bioprocesses and the implications for the manufacture of biologics. Pharm Bioprocess 2 (3):267-284. doi:10.4155/pbp.14.24
50. Lourenco ND, Lopes JA, Almeida CF, Sarraguca MC, Pinheiro HM (2012) Bioreactor monitoring with spectroscopy and chemometrics: a review. Anal Bioanal Chem 404 (4):1211-1237. doi:10.1007/s00216-012-6073-9
51. Claßen J, Aupert F, Reardon KF, Solle D, Scheper T (2017) Spectroscopic sensors for in-line bioprocess monitoring in research and pharmaceutical industrial application. Analytical and Bioanalytical Chemistry 409 (3):651-666. doi:10.1007/s00216-016-0068-x
52. Gergely S (2005) Közeli infravörös spektroszkópia alkalmazása a búza érésdinamikai folyamatainak követésében. Budapesti Műszaki és Gazdaságtudományi Egyetem, Budapest
53. Griffiths PR, De Haseth JA (2007) Fourier transform infrared spectrometry, vol 171. John Wiley & Sons,
54. Williams P, Norris KH (1987) Near-infrared technology in the agricultural and food industries. American Association of Cereal Chemists,
55. Larkin P (2017) Infrared and Raman spectroscopy: principles and spectral interpretation.
Elsevier,
56. Lewis IR, Edwards H (2001) Handbook of Raman spectroscopy: from the research laboratory to the process line. CRC Press,
57. Smith E, Dent G (2019) Modern Raman spectroscopy: a practical approach. Wiley, 58. Sokváltozós adatelemzés (kemometria) (2001). Nemzeti Tankönyvkiadó, Budapest
59. Wold S, Esbensen K, Geladi P (1987) Principal component analysis. Chemometr Intell Lab 2 (1):37-52. doi:https://doi.org/10.1016/0169-7439(87)80084-9
60. Abdi H, Williams LJ (2010) Principal component analysis. Wiley interdisciplinary reviews:
computational statistics 2 (4):433-459
61. L. Eriksson, T.Byrne, E. Johansson, J.Trygg, Wikström C (2013) Multi- and Megavariate Data Analysis Basic Principles and Applications. Third revised edition edn. MKS Umetrics AB, Malmö, Sweden
62. Geladi P, Kowalski BR (1986) Partial least-squares regression: a tutorial. Analytica Chimica Acta 185:1-17. doi:https://doi.org/10.1016/0003-2670(86)80028-9
63. Wold S, Sjöström M, Eriksson L (2001) PLS-regression: a basic tool of chemometrics.
Chemometr Intell Lab 58 (2):109-130. doi:https://doi.org/10.1016/S0169-7439(01)00155-1 64. Tobias RD An introduction to partial least squares regression. In: Proceedings of the twentieth annual SAS users group international conference, 1995. SAS Institute Inc Cary, pp 1250-1257
65. Esmonde-White KA, Cuellar M, Uerpmann C, Lenain B, Lewis IR (2017) Raman spectroscopy as a process analytical technology for pharmaceutical manufacturing and bioprocessing.
Analytical and Bioanalytical Chemistry 409 (3):637-649. doi:10.1007/s00216-016-9824-1 66. Myers RH, Myers RH (1990) Classical and modern regression with applications, vol 2.
Duxbury Press Belmont, CA,
67. Martens H, Næs T (1989) Multivariate calibration. John Wiley & Sons Canada, Limited, 68. Næs T, Martens H (1988) Principal component regression in NIR analysis: viewpoints, background details and selection of components. Journal of chemometrics 2 (2):155-167
69. The effect of unit variance scaling and mean centering. https://blog.umetrics.com/hs-fs/hubfs/Blog%20images/figure%203.7%20revised%20mean%20centering.png?width=915&
name=figure%203.7%20revised%20mean%20centering.png. Accessed 2019. 03. 29
70. Savitzky A, Golay MJ (1964) Smoothing and differentiation of data by simplified least squares procedures. Analytical chemistry 36 (8):1627-1639
71. Hoehse M, Alves-Rausch J, Prediger A, Roch P, Grimm C (2015) Near-infrared spectroscopy in upstream bioprocesses. Pharm Bioprocess 3 (2):153-172. doi:10.4155/pbp.15.1
72. Dhanoa MS, Lister SJ, Sanderson R, Barnes RJ (1994) The Link between Multiplicative Scatter Correction (MSC) and Standard Normal Variate (SNV) Transformations of NIR Spectra.
Journal of Near Infrared Spectroscopy 2 (1):43-47
73. Berry BN, Dobrowsky TM, Timson RC, Kshirsagar R, Ryll T, Wiltberger K (2016) Quick generation of Raman spectroscopy based in-process glucose control to influence biopharmaceutical protein product quality during mammalian cell culture. Biotechnol Progr 32 (1):224-234. doi:10.1002/btpr.2205
74. Xiaobo Z, Jiewen Z, Povey MJ, Holmes M, Hanpin M (2010) Variables selection methods in near-infrared spectroscopy. Anal Chim Acta 667 (1-2):14-32. doi:10.1016/j.aca.2010.03.048 75. Interval PLS (IPLS) for Variable Selection. (2011).
http://wiki.eigenvector.com/index.php?title=Interval_PLS_(IPLS)_for_Variable_Selection.
Accessed November 15, 2017
76. Leardi R, Lupiáñez González A (1998) Genetic algorithms applied to feature selection in PLS regression: how and when to use them. Chemometrics and Intelligent Laboratory Systems 41 (2):195-207. doi:http://dx.doi.org/10.1016/S0169-7439(98)00051-3
77. Mehmood T, Liland KH, Snipen L, Sæbø S (2012) A review of variable selection methods in Partial Least Squares Regression. Chemometr Intell Lab 118:62-69.
doi:10.1016/j.chemolab.2012.07.010
78. Henriques JG, Buziol S, Stocker E, Voogd A, Menezes JC (2009) Monitoring mammalian cell cultivations for monoclonal antibody production using near-infrared spectroscopy. Adv Biochem Eng Biotechnol 116:73-97. doi:10.1007/10_2009_11
79. Arnold SA, Crowley J, Woods N, Harvey LM, McNeil B (2003) In-situ near infrared spectroscopy to monitor key analytes in mammalian cell cultivation. Biotechnol Bioeng 84 (1):13-19. doi:10.1002/bit.10738
80. Rhiel M, Cohen MB, Murhammer DW, Arnold MA (2002) Nondestructive near-infrared spectroscopic measurement of multiple analytes in undiluted samples of serum-based cell culture media. Biotechnol Bioeng 77 (1):73-82. doi:10.1002/bit.10093
81. Riley M-R, Rhiel M, Zhou X, Arnold M-A, Murhammer D-W (1997) Simultaneous Measurement of Glucose and Glutamine in Insect Cell Culture Media by Near Infrared
Spectroscopy. Biotechnol Bioeng 55 (1):11-15. doi:10.1002/(SICI)1097-0290(19970705)55:1<11::AID-BIT2>3.0.CO;2-#
82. Riley MR, Crider HM, Nite ME, Garcia RA, Woo J, Wegge RM (2001) Simultaneous Measurement of 19 Components in Serum-Containing Animal Cell Culture Media by Fourier Transform Near-Infrared Spectroscopy. Biotechnol Progr 17 (2):376-378.
doi:10.1021/bp0100068
83. Riley MR, Okeson CD, Frazier BL (1999) Rapid Calibration of Near-Infrared Spectroscopic Measurements of Mammalian Cell Cultivations. Biotechnol Progr 15 (6):1133-1141.
doi:10.1021/bp990117v
84. Clavaud M, Roggo Y, Von Daeniken R, Liebler A, Schwabe JO (2013) Chemometrics and in-line near infrared spectroscopic monitoring of a biopharmaceutical Chinese hamster ovary cell culture: prediction of multiple cultivation variables. Talanta 111:28-38.
doi:10.1016/j.talanta.2013.03.044
85. Hakemeyer C, Strauss U, Werz S, Jose GE, Folque F, Menezes JC (2012) At-line NIR spectroscopy as effective PAT monitoring technique in Mab cultivations during process development and manufacturing. Talanta 90:12-21. doi:10.1016/j.talanta.2011.12.042 86. Lopes JA, Costa PF, Alves TP, Menezes JC (2004) Chemometrics in bioprocess engineering:
process analytical technology (PAT) applications. Chemometr Intell Lab 74 (2):269-275.
doi:10.1016/j.chemolab.2004.07.006
87. Abu-Absi NR, Kenty BM, Cuellar ME, Borys MC, Sakhamuri S, Strachan DJ, Hausladen MC, Li ZJ (2011) Real time monitoring of multiple parameters in mammalian cell culture bioreactors using an in-line Raman spectroscopy probe. Biotechnol Bioeng 108 (5):1215-1221.
doi:10.1002/bit.23023
88. Berry B, Moretto J, Matthews T, Smelko J, Wiltberger K (2015) Cross-scale predictive modeling of CHO cell culture growth and metabolites using Raman spectroscopy and multivariate analysis. Biotechnol Prog 31 (2):566-577. doi:10.1002/btpr.2035
89. Whelan J, Craven S, Glennon B (2012) In situ Raman spectroscopy for simultaneous monitoring of multiple process parameters in mammalian cell culture bioreactors.
Biotechnology Progress 28 (5):1355-1362. doi:10.1002/btpr.1590
90. Craven S, Whelan J, Glennon B (2014) Glucose concentration control of a fed-batch mammalian cell bioprocess using a nonlinear model predictive controller. Journal of Process Control 24 (4):344-357. doi:http://dx.doi.org/10.1016/j.jprocont.2014.02.007
91. Mehdizadeh H, Lauri D, Karry KM, Moshgbar M, Procopio-Melino R, Drapeau D (2015) Generic Raman-based calibration models enabling real-time monitoring of cell culture bioreactors. Biotechnol Prog 31 (4):1004-1013. doi:10.1002/btpr.2079
92. Kozma B, Párta L, Zalai D, Gergely S, Salgó A (2014) A model system and chemometrics to develop near infrared spectroscopic monitoring for Chinese hamster ovary cell cultivations. J Near Infrared Spectros 22 (6):401-410
93. Schalk R, Braun F, Frank R, Rädle M, Gretz N, Methner F-J, Beuermann T (2017) Non-contact Raman spectroscopy for in-line monitoring of glucose and ethanol during yeast fermentations. Bioprocess and Biosystems Engineering 40 (10):1519-1527.
doi:10.1007/s00449-017-1808-9
94. Mathlouthi M, Vinh Luu D (1980) Laser-raman spectra of d-glucose and sucrose in aqueous solution. Carbohydrate Research 81 (2):203-212. doi:http://dx.doi.org/10.1016/S0008-6215(00)85652-9
95. Kozma B, Salgó A, Gergely S (2019) On-line glucose monitoring by near infrared spectroscopy during the scale up steps of mammalian cell cultivation process development.
Bioprocess and Biosystems Engineering. doi:10.1007/s00449-019-02091-z
96. Kozma B, Hirsch E, Gergely S, Párta L, Pataki H, Salgó A (2017) On-line prediction of the glucose concentration of CHO cell cultivations by NIR and Raman spectroscopy: Comparative scalability test with a shake flask model system. J Pharmaceut Biomed Anal 145:346-355.
doi:http://dx.doi.org/10.1016/j.jpba.2017.06.070
97. Kozma B, Salgó A, Gergely S (2018) Comparison of multivariate data analysis techniques to improve glucose concentration prediction in mammalian cell cultivations by Raman
spectroscopy. J Pharmaceut Biomed Anal 158:269-279.
doi:https://doi.org/10.1016/j.jpba.2018.06.005