-01-

引言

单克隆抗体作为生物制药领域的关键分子，它的质量控制直接关系到治疗效果和患者安全。电荷异质性作为单克隆抗体的关键质量属性，直接影响药物的稳定性、吸收效果、在体内的循环时间等等。电荷异质性受到多种因素的影响，例如生产过程中发生的各种翻译后修饰，包括脱酰胺、糖基化、氧化这些化学反应，让抗体分子带上不同的电荷，形成了酸性、碱性变异体。监管机构像FDA、EMA对这方面规定非常严格。所以，怎么控制住这个电荷异质性，就成了保证单抗质量和疗效的关键。

-02-

一、电荷异质性的来源和影响

电荷异质性到底是什么？简单说，就是一批单克隆抗体里面，有些分子带的电荷多一点，有些少一点，有些还是中性的。根据电荷多少，我们可以把它们分成三大类：主物种、酸性物种和碱性物种。主物种就是我们想要的那个主要成分，通常为色谱分析中的主峰。可能包含常见修饰（如N端焦谷氨酸化、C端赖氨酸缺失、CH2域天冬酰胺位点的中性聚糖）。麻烦的是后面两类。酸性物种，顾名思义，它们带的负电荷更多，在等电点上更靠前。主要源于天冬酰胺残基的脱酰胺作用（pH升高、温度升高加速），也来自糖链唾液酸化、糖基化、末端酸性基团。另一类是碱性物种，它们带的正电荷更多。源于C端赖氨酸未完全去除、C端酰胺化、琥珀酰亚胺形成、N端谷氨酸转化或其他结构变化。这些变异体的比例不是一成不变的，生产过程、用的细胞系、甚至储存条件都会影响它们的含量。

这些电荷变异体，哪怕含量很低，也可能会影响药物的疗效、稳定性，甚至可能引发免疫反应。具体来说，它们会影响药物在体内的药代动力学PK和药效动力学PD，也就是药物怎么被吸收、分布、代谢和排泄，以及它怎么发挥疗效。比如说，酸性变异体可能会降低抗体跟靶点结合的能力，那药效自然就下降了。反过来，碱性变异体可能会改变抗体跟Fc受体的相互作用，这可能让药物在体内停留的时间变短，或者更糟糕，引起一些不希望看到的免疫反应。

总之，这些变异体会增加批次间的差异，让生产和质量控制变得更复杂，审批也更难通过。正因为如此，监管机构像FDA和EMA才会把电荷异质性列为关键质量属性，必须严格控制。所以，我们的目标很明确，要想办法把这些变异体降到最低，确保生产出的单抗既有效又安全，批次之间高度一致，这样才能实现可靠、可大规模生产的高质量生物药。

-03-

二、分析电荷变异体的技术

要想知道电荷变异体有多少，得靠精密的仪器。目前主流的技术有这么几种。首先是毛细管等电聚焦，cIEF。它能根据蛋白质的等电点pI把它们分开，分辨率非常高，是分析酸性、碱性和主物种的必备工具。其次是离子交换色谱，特别是阳离子交换色谱，CEX。它利用不同分子表面电荷的细微差别来进行分离，通过精确控制pH和盐浓度的变化，能把各种电荷状态的分子区分开来。还有液相色谱质谱联用，LC-MS。这不仅能分离，还能告诉你每个组分的具体结构信息，比如有哪些PTM，这对于理解电荷差异的原因很有帮助。此外，还有一些辅助技术，比如电喷雾电离ESI和详细的肽图谱分析，能提供更深入的结构细节。当然，科技在进步，现在还有更先进的技术出现，比如成像毛细管IEF，icIEF，和集成的色谱质谱方法，它们能提供更高的灵敏度和分辨率。

-04-

三、电荷异质性的优化

单克隆抗体开发中电荷异质性的优化主要分两大块，培养条件和培养基成分。

培养条件

培养条件的优化包括温度、pH、培养时间长短、光照、溶解氧等等。温度是个关键因素。一般来说，把培养温度降下来，比如降到32到34摄氏度，可以减慢细胞的代谢速度，也能减缓像脱酰胺这种非酶反应的速度，这样就能减少酸性物种的生成。但是另一方面，温度太低可能会影响某些酶的活性，比如负责切除C端赖氨酸的羧肽酶，导致赖氨酸切不干净，反而增加了碱性变异体。所以，温度需要仔细调控。pH相对容易控制一些。pH越高，通常脱酰胺反应越快，唾液酸化反而会减少，结果就是酸性物种增多。反过来，降低pH呢，可能会促进唾液酸化，同时让N端的谷氨酰胺更容易环化成焦谷氨酸，这就有利于形成碱性物种。

除了温度和pH，还有其他因素也会影响电荷异质性。比如培养时间，一般来说，培养时间越长，比如从第五天延长到第十四天，细胞经历的时间更长，各种翻译后修饰PTM就有更多积累的机会，结果就是酸性变异体的比例可能会增加。还有环境因素，比如光照。普通的光线照射也可能导致抗体上某些氨基酸残基，比如色氨酸，发生氧化反应。另外，培养基里的溶解气体，主要是二氧化碳和氧气，它们的浓度也会影响细胞的代谢状态，进而影响产物的质量。不过，这里要强调一点，有时候关于同一个参数的影响，不同研究可能会得出相反的结论。这并不是说研究错了，而是因为生物过程本身就非常复杂！不同的细胞系、不同的抗体分子结构、不同的培养基配方，甚至不同的操作方式，都可能导致结果不一样。这恰恰说明，我们不能想当然地套用别人的经验，必须基于自己的数据，针对具体情况制定优化策略。这也就是为什么现在越来越强调数据驱动的工艺开发。

培养基成分

培养基里的成分，每一种都可能扮演着重要角色。比如葡萄糖，这是细胞的主要能量来源，但如果浓度过高，超过15克每升，它就可能通过非酶糖基化途径，促进酸性物种的形成，还会影响糖链上唾液酸的分布。微量金属，像铁、锰，它们是很多参与PTM的酶的必需辅因子，比如负责切C端赖氨酸的羧肽酶、负责酰胺化的酶、还有糖基化相关的酶，都离不开它们。但同时，它们也可能催化氧化反应，所以得小心用量。铜就是一个例子，稍微多一点，可能催化氧化反应，增加电荷异质性。氨基酸是蛋白质的基本模块，但也直接参与修饰。比如天冬酰胺，本身就是脱酰胺反应的底物；精氨酸可能被甲基乙二醛这些分子修饰；赖氨酸则关系到C端赖氨酸的残留和糖基化。还有各种维生素、补充剂、水解物、丁酸钠等等，这些成分可以调节细胞的代谢状态、氧化还原平衡，是抗氧化还是促氧化，甚至直接影响那些PTM酶的活性。

传统优化方法

历史上，优化培养条件和培养基成分一直是控制电荷异质性的主要手段。常用的方法主要有这么几种。单因素法，就是一次只改一个条件，其他都固定住。这种方法简单直接，但最大的问题是它看不到变量之间的相互作用。于是后来就有了实验设计，DOE，它能让你同时改变好几个因素，还能分析它们之间的交互影响。但即便如此，当变量一多，或者生物系统的反应特别复杂、非线性的时候，DOE也常常感到力不从心。后来人们又引入了统计建模，比如多元数据分析，MVDA，用主成分分析、偏最小二乘法这些工具，希望能从一大堆数据里找出隐藏的模式和关联。但这种方法通常需要大量的数据，而且它背后的数学模型大多是基于线性假设的，而生物系统非线性是常态。所以，MVDA在捕捉那些复杂的、动态的PTM变化时，准确性还是有限。还有系统生物学，试图从更根本的层面理解细胞，但它太复杂了，需要的数据量巨大，而且往往很难直接告诉你，为了减少电荷变异，我应该具体怎么做。

所以，总结一下，这些传统方法在稳定一些基本参数方面还不错，但对于解决像电荷异质性这种由一大堆复杂因素相互作用导致的问题，就显得有点不够用了。我们需要更强大的武器，这就是机器学习ML要登场的地方了。

-05-

四、机器学习在生物工艺中的应用

面对传统方法在优化生物工艺时遇到的瓶颈，特别是那些复杂的非线性交互作用和海量的数据，机器学习ML就派上大用场了。ML是人工智能的一个分支，它的核心思想是让计算机通过学习数据中的模式来进行预测或决策。

在生物制药领域，ML主要有这么用法：第一种是监督学习，这是最常用的，使用标记数据集 (比如输入: 温度、pH、营养浓度; 输出: 滴度、变异体比例)。监督学习又分两种：回归和分类。回归是用来预测连续值的，比如预测具体的产量是多少，或者酸性变异体占百分之多少。常用的算法有支持向量回归、随机森林、梯度提升等等。分类则是把东西分成不同的类别，比如把一个批次的电荷谱型分成合格或不合格。常用的算法有决策树、支持向量机，还有像随机森林、梯度提升这种既可以做回归也可以做分类的集成模型。

第二种是无监督学习，它不需要标签，而是自己去发现数据里的隐藏结构。比如聚类，它可以帮你把相似的培养条件组合归为一类，看看哪些条件经常一起出现，或者帮你找到代谢上的瓶颈。还有主成分分析PCA能把维度很高的数据降维，让你更容易看懂数据背后的主要矛盾，比如揭示培养基里哪些成分跟糖基化模式关系最密切。

第三种是强化学习，这个比较新，它像训练一样，通过奖励和惩罚，以基于反馈的方法来学习最优策略，特别适合做动态优化。

总之，ML提供了各种强大的工具，来应对生物工艺优化的复杂性。

-06-

五、展望未来：Bioprocessing 4.0 与智能工厂

机器学习在生物工艺里的应用非常广泛。首先，它可以用来预测关键性能指标，KPI，比如产量滴度，或者关键工艺参数，CPP，比如某个特定变异体的比例。像人工神经网络ANN、卷积神经网络CNN、长短期记忆网络LSTM这些深度学习模型，已经被成功用于模拟和优化CHO细胞的培养过程，可以提高生产率 15-25%。

其次，在培养基开发和优化方面，ML也很有用。可以用多元分析或者主动学习的策略，比如用梯度提升决策树，来找出哪些培养基成分最重要，然后调整它们的浓度，提高细胞的生长和生产效率。甚至可以预测培养过程中某些关键营养物质比如氨基酸的动态消耗情况，或者搞清楚像酵母提取物这种复杂成分到底对蛋白质表达有什么影响。更重要的是，ML不只是静态地优化一个终点结果，它还能进行动态优化。也就是说，在培养过程中，它可以实时监控数据，然后动态地调整培养条件，比如温度、pH、补料策略，来维持产品质量比如电荷异质性在一个理想的范围内，同时还要平衡产量和质量这两个目标。

最近还有研究把ML和过程分析技术PAT结合起来，比如用拉曼光谱这种在线监测手段，实时获取数据，然后喂给ML模型，让模型去建立上游条件和下游产品质量比如糖基化、电荷异质性之间的联系，从而实现更精准的上游控制。这完全符合质量源于设计的理念，用数据说话，提前控制。

展望未来，这些计算方法，特别是机器学习，正在被越来越广泛地采纳，目标是构建一个生物制药的智能工厂。在所谓的Bioprocessing 4.0时代，基于机器学习的技术将扮演核心角色。这些数字AI就像生物工厂的虚拟化身，它们会持续不断地分析PAT流数据和各种操作数据，然后在计算机里模拟和优化生产的每一个环节，无论是上游还是下游。未来的趋势是，实时的预测性控制将取代传统的终点测试。生物反应器会根据模型的建议，自动调整设置，把关键质量属性始终控制在非常精确的范围内。这样一来，批次间的差异就会大大减少，生产失败的风险也会随之降低。更进一步，从这个过程中获得的深刻见解，还可以反过来指导我们进行更合理的细胞系设计和培养基设计，把稳健的电荷谱特性从一开始就嵌入到产品开发的源头。

所有这些创新最终都将带来实实在在的好处。生产出的药物更加稳定，生产成本更低，上市时间更快，而且能够惠及全球更多有需要的人。最终的目标是，让高质量的生物制剂变得更加经济、更容易规模化生产，并且能够更快地响应不断出现的健康挑战。

参考文献：

1.Machine learning-driven optimization of culture conditions and media components to mitigate charge heterogeneity in monoclonal antibody production: current advances and future perspectives. MAbs.2025 Dec;17(1):2547084.