Att övervaka celldensitet i realtid är avgörande för att förbättra produktionen av odlat kött. Traditionella metoder, som trypanblåttester, är långsamma, benägna för kontaminering och missar ofta snabba förändringar i celltillväxt. Realtidsmätning ger kontinuerlig data, vilket möjliggör exakta näringsjusteringar, tidig upptäckt av problem och konsekvent produktkvalitet.
Olika analytiska metoder för övervakning av levande celler inkluderar:
- Biokapacitanssensorer: Mäter livskraftiga celler genom att detektera intakta membran. Skanningsfrekvenssystem minskar fel till 5,5–11%.
- Optiska turbiditetssensorer: Spårar total celldensitet genom ljusspridning men kan inte skilja levande från döda celler.
- RF Impedansövervakning: Idealisk för högdensitetssystem, med fokus på levande celler i mikrobärare eller immobiliserade uppställningar.
- Raman-spektroskopi: Erbjuder detaljerad kemisk profilering, identifierar livskraftiga celler och metaboliter.
- NIR-spektroskopi: Spårar flera parametrar snabbt men har svårt med överlappande signaler.
Varje metod har styrkor och begränsningar, vilket gör kalibrering och validering nödvändiga för noggrannhet. Plattformar som
Incyte Arc: Realtidsövervakning av livskraftig celldensitet för smartare bioprocesskontroll
sbb-itb-ffee270
Teknologier för mätning av celldensitet i realtid
Jämförelse av teknologier för mätning av celldensitet i realtid för odlat kött
För att möta efterfrågan på kontinuerlig processfeedback, tillåter olika sensorsystem för bioreaktorer för odlat kött nu exakt mätning av celldensitet i realtid. Varje metod erbjuder en unik strategi, anpassad för antingen livskraftiga celler eller total biomassa, beroende på processens specifika behov.
Biokapacitansbaserade sensorer
Biokapacitanssensorer fungerar genom att applicera ett elektriskt fält på en cellsuspension. Levande celler, med intakta membran, fungerar som små kondensatorer. Deras membran förhindrar joner i cytoplasman från att passera igenom, vilket orsakar polarisering och skapar en mätbar laddning.Döda celler saknar dock intakta membran och bidrar inte till signalen[1].
Denna teknik bygger på β-dispersion, där celler fullständigt polariseras vid frekvenser under 100 kHz, vilket resulterar i hög permittivitet. Genom att skanna ett frekvensområde (50–20 000 kHz) och tillämpa multivariat analys kan dessa sensorer korrigera för förändringar i cellstorlek. Denna justering minskar mätfel från 16–23% till ett mycket lägre intervall på 5,5–11%[1].
För att säkerställa noggrannhet måste sonden först nollställas i sterilt medium före inokulering, följt av kalibrering med den kända koncentrationen av celler i början. Enheter som Aber FUTURA pico integreras sömlöst i bioreaktorer och ger nya avläsningar var 30:e sekund.Dessa sensorer är mycket effektiva för celler i suspension, fästa vid mikrobärare eller immobiliserade i fasta bäddar - scenarier där traditionella räkne-metoder ofta brister[1][2].
För att mäta den totala biomassan erbjuder optiska metoder ett annat gångbart alternativ.
Optiska Turbiditetssensorer
Optiska turbiditetssensorer bestämmer den totala celldensiteten genom att mäta ljuset som sprids av alla partiklar i kulturen, inklusive levande celler, döda celler och skräp. Även om dessa sensorer inte kan skilja mellan livskraftig och icke-livskraftig biomassa, är de särskilt användbara när förhållandet mellan levande och döda celler förblir stabilt under hela processen. Kalibrering innebär att korrelera turbiditetsavläsningar med offline-cellräkningar vid olika stadier av kulturen. Dessa sensorer kan installeras inline eller i bypass-slingor, vilket ger kontinuerlig övervakning för att hjälpa till att bestämma den optimala skördetiden.
Radiofrekvensimpedansövervakning
Radiofrekvens (RF) impedansövervakning delar vissa principer med biokapacitanssensorer, med fokus på att upptäcka celler med intakta membran samtidigt som döda celler och skräp ignoreras[1][2]. Denna metod är särskilt lämplig för system som involverar immobiliserade celler eller mikrobärarkulturer, där offline-provtagning kan vara svår. RF-impedans kan hantera livskraftiga cellkoncentrationer som överstiger 10 miljoner celler/mL i fed-batch-processer, vilket gör det till ett utmärkt val för högdensitetsodlat köttproduktion[1]. För att skaffa RF-impedansprober och specialiserad övervakningsutrustning, erbjuder plattformar som
| Teknologi | Mätningar | Nyckelstyrka | Begränsning |
|---|---|---|---|
| Biokapacitans (Enkel frekvens) | Livskraftig cellvolym | Enkel implementering | Känslig för diameterförändringar (16–23% fel)[1] |
| Biokapacitans (Skanning) | Livskraftig cellkoncentration | Justerar för storleksförändringar (5.5–11% fel)[1] | Kräver multivariat analys |
| Optisk grumlighet | Total celldensitet | Upptäcker total biomassa | Kan inte skilja levande från döda celler[2] |
| RF Impedans | Levande cell bio-volym | Fungerar bra med mikrobärare och fasta bäddar | Kräver sondspecifik kalibrering |
Spektroskopiska metoder för multiparameteranalys
Spektroskopiska metoder tar processövervakning till nästa nivå genom att gå bortom enparameter-mätningar som de som tillhandahålls av kapacitans- och grumlighetssensorer.Dessa tekniker analyserar hur ljus interagerar med molekyler i kulturen, vilket erbjuder insikter i realtid inte bara om cellantal, utan också om näringsnivåer, metabolitkoncentrationer och andra viktiga processvariabler. Genom att skapa detaljerade kemiska profiler kompletterar de kapacitans- och turbiditetssensorer, vilket ger rikare data för bättre beslutsfattande.
Raman-spektroskopi
Raman-spektroskopi fungerar genom att mäta den oelastiska spridningen av ljus. När en laser (vanligtvis vid 785 nm) träffar ett prov, skiftar det spridda ljuset i våglängd baserat på de kemiska bindningarna hos de molekyler det möter. Denna metods exakta kemiska profilering gör det möjligt att skilja livskraftiga celler från döda och att identifiera individuella metaboliter såsom glukos, laktat, glutamin, glutamat och ammonium - allt utan att störa systemet[3] [5].
En av Ramans främsta fördelar är dess låga känslighet för vatten, en vanlig störning i infraröda metoder. Detta gör den särskilt väl lämpad för de näringsrika miljöer som finns i odlad köttproduktion[3][5]. Tekniken kan implementeras med hjälp av fiberoptiska nedsänkningssonder eller genom att mäta genom bioreaktorers inspektionsfönster, vilket säkerställer att sterilitet bibehålls under hela processen[4][5].
Mellan 2010 och 2011 demonstrerade forskare vid Bristol-Myers Squibb potentialen hos in-line Raman-spektroskopi i 500-L bioreaktorer. Med hjälp av ett Kaiser Optical Systems RamanRXN3-instrument utvecklade de kalibreringsmodeller med determinationskoefficienter (R²) på 0,928 för livskraftig celldensitet (VCD) och 0,927 för total celldensitet (TCD). Det genomsnittliga felet var omkring 14.9%, jämförbart med 10% felmarginalen för referensmetoden själv[3].
"Raman-spektroskopi... verkar vara den mest lovande spektroskopiska metoden för in-line-analys av komplexa cellodlingssystem." - Nicholas R. Abu-Absi, Process Sciences, Bristol-Myers Squibb[3]
För att säkerställa korrekta resultat bör systemet kalibreras med hjälp av offline-data tillsammans med PLS-regression. Att tillämpa första derivatan och SNV-korrigeringar kan hjälpa till att minska baslinjeförskjutningar och fluorescensstörningar[3][4]. När ny data blir tillgänglig bör kalibreringsmodeller uppdateras för att ta hänsyn till variationer mellan körningar[3][4]. För applikationer inom odlat kött erbjuder plattformar som
Närinfraröd (NIR) spektroskopi
Medan Raman-spektroskopi är e
NIR-system fångar främst celldensitetssignaler genom baslinjeeffekter orsakade av ljusspridning[6]. I studier med HEK293-cellkulturer, spårade NIR framgångsrikt livskraftiga cellpopulationer vid densiteter av 8,5–9,0 × 10⁶ celler/mL, med korrelationskoefficienter som sträcker sig från 0,926 till 0.995 över olika parametrar[6].
Men NIR-spektra är breda och överlappande, vilket gör dem svårare att tolka jämfört med Raman. Medan NIR utmärker sig i hastighet och enkelhet, kan det inte matcha Ramans förmåga att skilja mellan livskraftig och total celldensitet baserat på biokemiska skillnader[3]. Slutligen beror valet mellan dessa metoder på dina specifika behov: NIR är idealiskt för snabb, enkel övervakning, medan Raman är bättre för detaljerad kemisk analys och spårning av livskraft.
Validering och korrelation av realtidsdata
Korrelation med offline analytiska data
Realtidssensorer kräver noggrann kalibrering med hjälp av offline referensmetoder för att säkerställa tillförlitliga data. Till exempel är enfrekvensmätningar effektiva för att spåra livskraftig cellvolym, tack vare deras känslighet för förändringar i celldiameter.
Frekvensskanning, som mäter permittivitet över ett brett frekvensområde (vanligtvis 50 till 20 000 kHz), erbjuder en mer nyanserad metod. Dessa data matas in i Multivariat Dataanalys (MVDA), vilket möjliggör differentiering mellan förändringar i cellstorlek och cellantal. Noggrann kalibrering är avgörande för att upprätthålla produktionskvalitet, särskilt vid realtidsjusteringar av processen. Ett anmärkningsvärt exempel kommer från oktober 2019, när forskare vid Sartorius Stedim Biotech validerade en inline kapacitanssond i 250 mL bioreaktorer med hjälp av CHO-celler. De utvecklade en Ortogonal Partiell Minsta Kvadrat (OPLS) modell baserad på data från fem standard fed-batch odlingar, där permittivitet skannades vid 25 olika frekvenser. Denna metod gjorde det möjligt för modellen att förutsäga livskraftiga cellkoncentrationer (VCC) överstigande 10 miljoner celler/mL, med frekvensskanning som avsevärt minskade fel jämfört med enfrekvensdata [7].
"Modellen gav en förutsägelse av VCC med relativa fel från 5,5 till 11%, vilket är en bra överensstämmelse med acceptanskriteriet baserat på offline-referensmetodens noggrannhet (ungefär 10% relativt fel) och starkt förbättrad jämfört med resultat från enstaka frekvenser (16 till 23% relativt fel)." – Springer Nature [7]
För att ytterligare förbättra noggrannheten hjälper det att applicera ett Savitzky-Golay-filter (andra ordningen) för att minimera signalbrus innan jämförelse. Dessutom förbättrar en enpunktskalibrering vid inokuleringsstadiet sensorens precision [7]. Dessa steg lägger tillsammans grunden för tillförlitlig validering över olika operativa scenarier.
Valideringsprotokoll
När kalibreringen är åtgärdad säkerställer rigorös validering att processen förblir pålitlig. En effektiv metod är Leave-One-Batch-Out (LOB) validering.Detta innebär att skapa flera modeller genom att systematiskt exkludera en batch från träningsdatasetet och använda den som en testuppsättning för att utvärdera den prediktiva prestandan.
Robusthetstester är ett annat kritiskt steg. I studien från 2019 introducerade forskare avsiktliga processavvikelser, såsom ett 30% utspädningssteg och ändrade matningsstrategier, för att testa MVDA-modellens tillförlitlighet under icke-standardiserade förhållanden. Även med dessa variationer levererade modellen exakta förutsägelser, med relativa fel som varierade mellan 6,7% och 13,2%. Denna nivå av tillförlitlighet är särskilt avgörande för odlat köttproduktion, där processvariabilitet är vanligt under uppskalning.
Slutligen, sätt realistiska acceptanskriterier som överensstämmer med den inneboende 10% felmarginalen för offline-metoder som trypanblåttester. Att använda standardiserade odlade köttinsatser kan ytterligare hjälpa till att stabilisera dessa baslinjer.Genom att fastställa en 10% relativ felmarginal för realtidssensorer säkerställer du validering mot en praktisk standard snarare än att jaga ouppnåeliga nivåer av precision [7].
Integrera realtidsövervakning i processkontroll
Utveckling av mjuka sensormodeller
När kalibreringen är inställd är nästa viktiga steg att integrera sensorutgångar i processkontrollen. Efter att ha validerat realtidssensorer skiftar fokus till att utveckla mjuka sensormodeller. Dessa modeller omvandlar rå sensorinformation till handlingsbara insikter, ofta med hjälp av algoritmer som Partial Least Squares (PLS) eller Orthogonal Partial Least Squares (OPLS). Dessa metoder hjälper till att länka komplexa onlinesignaler, såsom multifrekvens kapacitansskanning, till kritiska processmått som livskraftig cellkoncentration (VCC).
För att bygga dessa modeller behöver du parat online- och offlinedata.Förbehandlingssteg - som medelcentrering och skalning - är väsentliga innan modellen tränas med standardodlingsdata. Ett anmärkningsvärt exempel kommer från Sartorius Stedim Cellca GmbH, där forskare använde en Aber Instruments FUTURA pico-sond med CHO-cellkulturer. Deras prediktiva modeller uppnådde relativa fel mellan 5,5% och 11%, en klar förbättring jämfört med enfrekvensmätningar, som vanligtvis visar fel som sträcker sig från 16% till 23% [7].
Att implementera dessa modeller möjliggör automatiserade processjusteringar. Till exempel, i produktion av odlat kött med mikrobärare eller fasta bäddar, erbjuder radiofrekvensimpedanssensorer en unik fördel. De stödjer dynamisk näringstillförsel och avfallsborttagning, baserat på livskraftig cellvolym. Som John P. Carvell och Jason E.Dowd betonade:
"RF-impedans används för att övervaka koncentrationen av levande celler immobiliserade på mikrobärare eller packade bäddar i cGMP-processer där traditionella offline-metoder för räkning av levande celler är inexakta eller omöjliga att utföra" [2].
Denna nivå av integration förbättrar inte bara processkontrollen utan banar också väg för att uppfylla regulatoriska ramar, som utforskas härnäst.
Justering med PAT-ramverk
Inom produktion av odlat kött säkerställer kombinationen av realtidsövervakning med Process Analytical Technology (PAT) och Quality-by-Design (QbD)-principer både regulatorisk efterlevnad och operativ effektivitet. Processen börjar med att identifiera kritiska kvalitetsattribut (CQAs) och kritiska processparametrar (CPPs). Detta kräver tvärfunktionellt samarbete mellan R&D, kvalitetskontroll och regulatoriska team [8]. En fasad strategi fungerar bäst: definiera tydliga mål, välj lämpliga verktyg, genomför felmodsanalyser, integrera med SCADA/MES-system, utbilda personal och skala upp med validering [8].
Till exempel, i januari 2026, tillämpade ett globalt biopharmaceutiskt företag framgångsrikt denna PAT-integrerade strategi under en teknologitransfer över kontinenter. Resultaten? Kommersiell skala batchavvikelsefrekvenser under 2% och en 30% minskning i batchdispositionstider jämfört med tidigare kampanjer [8].
Övergången till Kontinuerlig Processverifiering (CPV) flyttar fokus från retrospektiv testning till proaktiv, realtidskontroll. Biokapacitanssensorer, till exempel, övervakar livskraftig celldensitet och tillväxtkinetik samtidigt som de hanterar näringstillförsel. Detta tillvägagångssätt uppfyller inte bara CPV-standarder utan fördjupar också processförståelsen [8]. Kemisk och bioprocessingenjör Akanksha Prasad sammanfattade det väl:
"PAT är inte längre något som bara är trevligt att ha. Det har blivit grunden för att tillverka nästa generations läkemedel säkert, effektivt och i stor skala" [8].
Samma princip gäller för produktion av odlat kött. Konsekvent celltillväxt och produktkvalitet kräver en rigorös inställning till processkontroll och efterlevnad.
För dem inom sektorn för odlat kött kan plattformar som
Praktiska överväganden för implementering
Att välja rätt teknik
Att välja rätt övervakningssystem beror på dina specifika mätmål.Till exempel är enfrekvenskapacitanssensorer ofta kopplade till Viable Cell Volume (VCV) snarare än Viable Cell Concentration (VCC). Detta beror på att deras signal återspeglar både cellantal och förändringar i cellstorlek, vilket ibland kan resultera i uppblåsta avläsningar - särskilt när cellerna är under stress eller åldras.
Å andra sidan mäter frekvensskanningssystem kapacitans över ett frekvensområde (vanligtvis 50 till 20 000 kHz). Dessa system förlitar sig på multivariata modeller för att separera förändringar i cellstorlek från faktisk celldensitet, vilket avsevärt minskar förutsägelsefel jämfört med enfrekvenssystem.
Radiofrekvensimpedans förblir ett populärt val på grund av dess överkomlighet och dess känslighet för livskraftiga celler. Döda celler och föroreningar polariserar inte, vilket innebär att de inte stör signalen.När du väljer ett system, tänk på hur enkelt det integreras med sterila bioreaktormiljöer och om det fungerar med engångs- vs återanvändbara bioreaktorer. Avancerade teknologier, som Raman-spektroskopi eller frekvensskannande kapacitans, kräver multivariata modelleringsmetoder (e.g. , OPLS eller PLS) för att tolka deras komplexa datamängder [7].
För odlade köttproducenter kan plattformar som
När du har valt ett system är noggrann kalibrering och effektiv felsökning nyckeln till att upprätthålla tillförlitliga mätningar.
Kalibrering och Felsökning
För att säkerställa noggranna avläsningar, börja med att nollställa kapacitansproben i sterilt medium före inokulering.Detta steg säkerställer att endast tillväxtrelaterade förändringar upptäcks. Utför sedan en enpunktskalibrering genom att justera den online-trajektoriens offset med din kända inokulationscellkoncentration. För tillförlitliga förutsägelser, träna multivariata modeller med data från minst fem standardodlingar för att ta hänsyn till variationer som olika mediepartier. Att tillämpa ett Savitzky–Golay-filter (andra polynomordningen) kan hjälpa till att minska signalbrus och jämna ut fluktuationer. Även om onlinesystem är kraftfulla, förblir dagliga offline-mätningar viktiga. Om offline-resultat avviker utöver en fastställd tröskel (e.g. , 0,05 enheter för pH), kalibrera om ditt onlinesystem [7].
Signalförskjutning är en annan utmaning, ofta orsakad av förändringar i celldiameter på grund av näringsbegränsningar, stress eller åldrande. Multifrekvensskanningssystem kan hantera detta genom att använda multivariat analys för att ta hänsyn till dessa variationer.
Offline-referensmetoder, såsom trypanblåttester, har vanligtvis ett mätfel på cirka 10 %. Istället för att förvänta sig noll avvikelse, validera noggrannheten i ditt onlinesystem mot denna marginal. Dessutom kan implementering av Batch Evolution Models (BEM) hjälpa till att etablera "gyllene batch"-banor. Dessa modeller fungerar som automatiserade larm och flaggar processavvikelser i realtid [7].
Slutsats
Övervakning av celldensitet i realtid har utvecklats till en kritisk komponent i produktionen av odlat kött. Kontinuerlig spårning av livskraftiga cellkoncentrationer erbjuder tydliga fördelar: minskning av mediekostnader med automatiserad utfodring, snabb identifiering av processavvikelser och minimering av kontaminationsrisker. Som ett forskarteam betonade, "VCC är starkt kopplat till produkttitrar och anses också vara en processattribut.Övervakning av VCC möjliggör processoptimering och kontroll som leder till högre titrar och effektiva processer" [1].
Dagens teknologilandskap erbjuder flera pålitliga lösningar. Bland dem utmärker sig frekvensskanningssystem kombinerade med multivariata modeller för att leverera noggrannhet jämförbar med offline-metoder.
För att implementera dessa system effektivt är noggrann planering avgörande. Framgång beror på robust kalibrering genom flera träningskörningar och konsekvent offline-verifiering.
För odlade köttproducenter som söker cellinjespecifika övervakningsverktyg,
När verksamheten växer ökar värdet av realtidsdata. Batch Evolution Models gör det möjligt för dig att definiera "gyllene batch"-banor, automatiskt identifiera avvikelser innan de kan påverka produktkvaliteten [1] . Denna förändring gör celltäthetsövervakning till en strategisk tillgång för att förbättra processer och minska risker.
Vanliga frågor
Vilken sensor ska jag använda för livskraftig celltäthet vs total biomassa?
Kapacitanssensorer är ett utmärkt alternativ för att mäta livskraftig celltäthet eftersom de upptäcker kapacitansen som genereras av polariserade cellmembran.Detta gör dem direkt kopplade till närvaron av levande celler, vilket möjliggör effektiv övervakning i realtid.
Det sagt, dessa sensorer är inte det bästa valet för att mäta total biomassa. Eftersom de främst fokuserar på levande celler, tar de inte hänsyn till döda celler eller den totala biomassan. För livskraftig celldensitet är dock kapacitanssensorer den föredragna lösningen.
Hur kalibrerar och validerar jag en inline kapacitansprob?
För att kalibrera en inline kapacitansprob, börja med att använda kända cellkoncentrationer erhållna från offline-metoder som cellräkning. Detta gör att du kan matcha kapacitansavläsningar med faktiska cellantal. Validering innebär att testa proben under olika celldensiteter och medieförhållanden för att bekräfta dess noggrannhet och konsistens. Det är också viktigt att utföra regelbundna kalibreringskontroller mot offline-mätningar, särskilt när produktionen skalas upp eller medieförhållandena ändras.Detta säkerställer att sonden fortsätter att leverera tillförlitliga mätningar av livskraftig celldensitet.
Hur omvandlar jag onlinesignaler till mjuka sensorer för matningskontroll?
För att omvandla onlinesignaler till mjuka sensorer för matningskontroll i odlad köttproduktion kan du förlita dig på realtidsdata från sensorer, såsom kapacitansfrekvensskanning. Genom att bearbeta dessa signaler genom multivariata modeller kan du uppskatta kritiska parametrar som livskraftig celldensitet.
Kapacitansbaserade sensorer spelar en nyckelroll här. De mäter cellmembrankapacitans, vilket direkt återspeglar cellhälsa. När dessa sensorutgångar integreras i kontrollalgoritmer blir det möjligt att automatisera näringsjusteringar, vilket upprätthåller idealiska tillväxtförhållanden genom hela processen.
