细胞培养技术是制药生产、再生医学、食品科学及材料工程领域的核心基础，其质量直接影响下游研究与产业应用成效。细胞培养基作为细胞生长的“营养核心”，包含维持细胞活性的必需成分，针对特定场景优化配方是提升培养效率的关键。近年来，机器学习成为培养基优化的重要工具，但实验数据中的生物变异性（如细胞行为波动、设备噪声）却制约模型精度。而在细胞培养全流程中，冻存管液氮罐作为样本长期存储的关键设备，其-196℃稳定低温环境，能为优化后获得的高活性细胞提供安全保障，衔接“培养-存储”环节的连续性。
近期，一项研究通过构建可应对生物变异性的机器学习模型，成功应用于无血清培养基优化。研究以制药领域常用的CHO-K1细胞为对象，将其置于不同配方培养基中培养，量化生物变异性后，整合培养基成分、细胞密度等数据到多算法机器学习框架，并通过“训练-验证”迭代提升模型可靠性。最终开发的专用无血清培养基，使细胞密度达市售产品的1.6倍，充分证明模型捕捉细胞独特营养需求的能力。在实验后续环节，当获得高活性CHO-K1细胞样本后，需通过液氮冻存管分装，再放入冻存管液氮罐中保存，避免样本因代谢活动失活，确保后续实验或生产能基于优质样本展开。同时，针对实验室批量样本管理需求，大口径液氮容器凭借便捷的存取优势，可减少开盖损耗，提升样本管理效率。
由于生物变异性是生物实验的固有特性，该机器学习方案具有广泛适用性，可拓展至微生物培养、植物组织培养等领域，为降低研发成本、缩短周期提供支持。当前，生物制药与再生医学产业对高效细胞培养技术及配套设备需求激增，通过机器学习优化的培养基，结合冻存管液氮罐等低温存储设备形成的“培养-存储”一体化方案，能进一步提升生物样本利用效率，为新药研发、细胞治疗等领域突破提供关键支撑。
该研究得到日本学术振兴会（JSPS）KAKENHI项目（编号21K19815、25K22838及JP25KJ0680）支持，相关成果为生物工程技术创新提供重要参考，未来有望通过产业应用，为生物产业高质量发展注入新动能。
来源：news-medical.net
