بهینه سازی فرایند تخمیر نیمه پیوسته برای تولید آنتی بادی های مونوکلونال از سلول هیبریدوما با الگوریتم ژنتیک

نوع مقاله : علمی-پژوهشی

نویسندگان

گروه مهندسی شیمی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

هدف این پژوهش، بهینه ­سازی فرایند کشت نیمه پیوسته سلول ­های هیبریدوما برای تولید بیش­ترین آنتی‌بادی مونوکلونال‌ به کمک الگوریتم ژنتیک در طول دوره‌ی کشت ده روز است. متغیرهای مستقل نرخ خوراک روزانه سوبسترات (گلوکز و گلوتامین) در دو حالت ثابت و متغیر  و تابع هدف میزان تولید مونوکلونال آنتی بادی است. به منظور مدل سازی فرایند کشت نیمه پیوسته هیبریدوما از یک مدل سینتیکی هفت مرحله ای  و برای حل دسته معادله­ های دیفرانسیل (معادله­ های حاکم) از روش رانگ گوتای مرتبه چهارم اصلاح یافته (Ode45) در  محیط  نرم افزار  متلب استفاده شد. نتیجه­ های به دست آمده از پژوهش نشان می دهد  میزان مونوکلونال آنتی بادی تولیدی در حالت  نرخ خوراک ثابت و متغیر (دوره کشت ده روزه)  به ترتیب 233 و 314 میلی گرم است  به عبارتی  بهینه سازی خوراک در حالت متغیر  نسبت به حالت ثابت نرخ خوراک افزایشِ 34 درصدی در تولید فراورده را نشان می‌دهد. برای صحت سنجی مدل از  نتیجه­ های تجربی به دست آمده از پژوهش ­های ترمبلی و همکاران و در پژوهش دیگر نوسط میگوئل و همکاران استفاده شد. داده­ های به دست آمده نشان از تطابق خوبی ( با اختلاف 4/1 درصد)  با پژوهش ترمبلی  و به نسبت مناسب با پژوهش میگوئل (با اختلاف  2/13 %)  دارد.

کلیدواژه‌ها

موضوعات


[1] Rodrigues M.E., Costa A.R., Henriques M., Azeredo J., Oliveira R., Technological Progresses in Monoclonal Antibody Production Systems, Biotechnology Progress, 26(2): 332-351 (2010).
[2] Li F., Zhou J.X., Yang X., Tressel T., Lee B., Current Therapeutic Antibody Production and Process Optimization, Bioprocess J., 4: 1–8 (2005).
[3] Yoon S.K., Hong J.K., Choo S.H., Song J.Y., Park H.W., Lee G.M., Adaptation of Chinese Hamster Ovary Cells to Low Culture Temperature: Cell Growth and Recombinant Protein Production, J. Biotechnology, 122: 463–472 (2006).
[4] Chen L., Nguang S.K., Chen X.D., Li X.M., Modelling and Optimization of Fed-Batch Fermentation Processes Using Dynamic Neural Networks and Genetic Algorithms, Biochemical Engineering Journal, 22(1): 51–61 (2004).
[5] Levišauskas, D., Tekorius T., Model-Based Optimization of Fed-Batch Fermentation Processes Using Predetermined Type Feed-Rate Time Profiles. A Comparative Study, Information Technology and Control, 34(3): 231–236 (2005).
[6] Liu C., Gong Z., Shen B., Feng E., Modelling and Optimal Control for a Fed-Batch Fermentation Process, Applied Mathematical Modelling, 37 (3): 695–706 (2013).
[7] Peng W., Zhong J., Yang J., Ren Y., Xu T., Xiao S., Tan H., The Artificial Neural Network Approach Based on Uniform Design to Optimize the Fed-Batch Fermentation Condition: Application to the Production of Iturin A. Microbial Cell Factories, 13(1): 54 (2014).
[8] Roubos J.A., van Straten G., van Boxtel A.J.B., An Evolutionary Strategy for Fed-Batch Bioreactor Optimization; Concepts and Performance, Journal of Biotechnology, 67 (2–3): 173–187 (1999).
[9] Kookos I. K., Optimization of Batch and Fed-Batch Bioreactors Using Simulated Annealing, Biotechnology Progress, 20(4): 1285–1288 (2004).
[10] Jayaraman V.K., Kulkarni B.D., Gupta K., Rajesh J., Kusumaker H.S., Dynamic Optimization of Fed-Batch Bioreactors Using the Ant Algorithm, Biotechnology Progress, 17(1): 81–88 (2001).
[30]  رضاکاظمی، ماشاآالله؛ راجی، مصطفی، کاربرد الگوریتم ژنتیک در بهینه سازی فرایندهای مرتبط با مهندسی شیمی، نشریه شیمی و مهندسی شیمی ایران، (2)38 : 228 تا 244 (1398).
[31]  پوربشیر، اسلام؛ مهاجری اول، ژیلا؛ نکوئی، مهدی؛ حمیدوند، سمیه ، مطالعه ارتباط کمی ساختار ـ فعالیت برای پیش بینی فعالیت  PIMمشتق­های تری آزولوپیریدین با اسفاده از الگوریتم ژنتیک ـ برازش خطی چندگانه، نشریه شیمی و مهندسی شیمی ایران، (2)37 : 137 تا 148 (1397).