藥品溶液中存在的顆粒或聚集體可能會引起免疫反應并影響產品安全性。隨著越來越多的高濃度治療性單克隆抗體（mAb）產品的開發和推出，根據美國藥典<788>，在規格范圍內需要控制亞可見顆粒水平，并且每個容器中粒徑大于等于10 μm的顆粒不超過6000個，粒徑大于等于25μm的顆粒不超過600個。單克隆抗體在應力條件下容易降解（例如聚集、片段化和氧化），從而產生多種蛋白質顆粒。在制造和儲存過程中存在多種應力條件，例如振搖、高溫暴露、化學或光誘導氧化以及極端pH值等。因此，在足夠長的保質期內，實現對亞可見顆粒物的控制，變得極具挑戰性。除了確定亞可見顆粒的數量以外，準確有效地表征蛋白質顆粒并了解其可能暴露的應力條件，在制造和儲存期間采取補救措施并實施顆粒控制策略，對延長產品的保質期至關重要。

據麥姆斯咨詢報道，近期，復旦大學馬炯教授團隊和中國科學院長春光機所李備研究團隊在Talanta期刊上發表了題為“Closed, one-stop intelligent and accurate particle characterization based on micro-Raman spectroscopy and digital microfluidics”的論文。該研究提出了一種基于顯微拉曼光譜技術和數字微流控芯片（DMF）對蛋白質顆粒進行智能表征的新方法，并且利用該方法以及機器學習模型成功地將多種應力條件下產生的蛋白質顆粒進行了分類，分類的精準度高于93%。

具體而言，在該研究中，研究人員提出了一種在DMF芯片上通過顯微拉曼光譜對蛋白質顆粒進行智能表征的新方法。研究人員首先制備了八種應力類型誘導的蛋白質顆粒溶液，其中包括振搖、冷凍-解凍（FT10）、高溫40°C、高溫80°C、pH3振搖、pH10振搖、氧化振搖和2000 KLH的光暴露。利用以上應力條件進行誘導之后，研究人員將每種顆粒溶液加載到DMF芯片上進行電流控制，并且基于一組預先設計的指令（例如，電壓、持續時間、速度和順序等）進行分液，分出的液滴體積約為100 nL。該研究中的DMF芯片的頂板由石英制備制成，以最大程度地減少拉曼背景噪聲，獲取的拉曼光譜數據用于開發各種機器學習算法模型，以預測應力誘導條件下引起的蛋白質顆粒的分類。

圖1 蛋白質顆粒智能表征流程圖 在該研究中，研究人員收集了不同應力條件下誘導產生的每種蛋白質顆粒溶液的220個拉曼光譜，并且選擇波數為600cm?1~1800 cm?1的拉曼光譜以用于數據預處理和機器學習分析，其中波數為1200cm?1~ 1700cm?1的拉曼光譜區域揭示了酰胺I、酰胺II和酰胺III的蛋白二級結構信息。在不同應力誘導條件下，8種蛋白質顆粒樣品中的酰胺I、酰胺II和酰胺III的蛋白二級結構信息以及C骨架信息，呈現出不同的變化，利用機器學習方法可以很好的進行檢測分類，分類精準度大于98%。

圖2 蛋白質顆粒表征的拉曼光譜分析

圖3 不同應力條件下形成的蛋白顆粒平均拉曼光譜及機器學習主成分分析

綜上所述，該研究結合機器學習，開發了一種基于DMF的拉曼光譜顆粒表征分析方法，并成功表征和分類了8種應力誘導條件下的蛋白質顆粒。這種方法具有以下幾個明顯的優點。首先，封閉的DMF平臺可以很好地防止樣品制備和測試過程中的顆粒污染，以提高檢測準確度。其次，它可以同時提供具有形態和化學結構信息的顆粒表征的一站式檢測，以節省成本和時間并提高效率。此外，該方法僅消耗少量樣品，并且DMF芯片上的顆粒液滴可以在拉曼測試后回收并重復使用，用于其他研究目的。最后，機器學習算法簡化了復雜的拉曼光譜解析，并提供具有高分類精度的智能顆粒表征。這種新穎的顆粒表征方法可以極大地支持科學家確定顆粒形成的可能根本原因，并開發準確的數據驅動的顆粒控制策略，最終延長高濃度抗體產品在全生命周期管理期間的保質期。

審核編輯：劉清