細胞治療產品 (CTP) 作為先進治療藥物 (ATMPs) 的重要組成部分，正為罕見病和疑難雜症患者帶來希望。然而，其生產過程極易受到微生物的侵擾，微生物污染始終如陰霾般籠罩着這束希望之光。傳統的無菌檢測方法，如沿用半個世紀的 USP <71>（美國藥典第 71 章記錄的無菌檢測法），在面對精準醫療的新需求時顯得力不從心：長達兩週的培養週期、繁瑣的預處理步驟、依賴主觀判斷的渾濁度觀察，不僅嚴重滯後於細胞製劑的短保質期，更可能因誤判讓患者暴露於感染風險之中。

隨着細胞治療產品的蓬勃發展，快速、準確地檢測微生物污染變得愈發迫切。一種創新的檢測方法 —— 機器學習輔助的紫外吸收光譜法應運而生，它將光學技術與強大的機器學習方法相結合，無需大量的訓練數據，也不需要生長富集步驟，僅需少量樣本就能在短短 30 分鐘內輸出檢測結果，為細胞治療產品的安全性提供了有力保障。

近日，新加坡-麻省理工學院研究聯盟、新加坡 A*SRL 實驗室、新加坡國立大學、美國麻省理工學院的聯合研究團隊，提出了一種結合紫外吸收光譜與機器學習的檢測方法，能在 30 分鐘內完成細胞培養上清液的微生物污染檢測。該方法利用單類支持向量機 (one-class SVM) 解析紫外光譜中煙酰胺與煙酸的特徵差異，在測試 7 種常見污染微生物時展現出 92.7% 的平均真陽性率，即便在排除煙酸代謝異常的供體樣本後，真陰性率仍達到 92%，遠超傳統依賴經驗判斷的準確率。

相關研究成果以「Machine learning aided UV absorbance spectroscopy for microbial contamination in cell therapy products」為題，已發表於 Nature 旗下期刊 Scientific Reports。

論文地址：
https://doi.org/10.1038/s41598-024-83114-y

關注「HyperAI超神經」公眾號，後台回覆「微生物污染監測」獲取完整 PDF

開源項目「awesome-ai4s」彙集了 200 餘篇 AI4S 論文解讀，並提供海量數據集與工具：
https://github.com/hyperai/awesome-ai4s

利用商業光譜儀採集無菌 MSC 培養樣本數據

在本次研究中，數據集的構建與分析緊密圍繞間充質基質細胞 (MSC) 培養展開。鑑於 MSC 療法在急性組織損傷、炎症性疾病及慢性退行性疾病治療領域的廣泛應用，研究團隊選取其作為示範對象，利用商業光譜儀採集無菌 MSC 培養樣本的吸收光譜，以此作為訓練單類支持向量機 (one-class SVM) 模型的基礎數據。研究採用異常檢測策略，通過捕捉光譜特徵差異，實現對細胞培養樣本污染狀態的預測，並基於煙酸 (NA) 與煙酰胺 (NAM) 代謝物光譜差異假設，探索 SVM 模型識別污染的潛在機制。

實驗過程中，研究人員向供體 A 的 MSC 培養體系接種 10 CFU 大腸桿菌，成功在 21 小時檢測到污染信號。經對比 7 家商業供體樣本的檢測性能，供體 A 在識別其他供體無菌樣本時表現優異，因此被選定為初始訓練數據來源。後續研究中，該方法不僅實現對 7 種微生物、低至 10 CFU 污染量的有效檢測，還通過跨供體測試，驗證了技術的穩健性。

為深入解析 SVM 模型性能，研究引入主成分分析 (PCA) 技術。以銅綠假單胞菌接種樣本為研究對象——因其在液相色譜-質譜 (LC-MS) 檢測中呈現最高 NA 濃度，通過 PCA 可視化訓練數據集與污染樣本分佈，結果顯示污染樣本與滅菌樣本在空間上顯著分離，有效區分了無菌與污染狀態。進一步分析主成分 1 (PC 1) 和主成分 2 (PC 2) 的載荷向量，並結合 100μg/mL NA 和 NAM 在 PBS 中的紫外吸收光譜歸一化處理，直觀呈現光譜特徵與主成分的關聯。

在模型穩健性驗證環節，研究收集 6 位商業供體 (供體 B-G) 的廢棄培養基及 PBS 滅菌樣本，構建跨供體測試數據集。通過訓練不同供體來源的 SVM 模型並交叉驗證，發現基於供體 A 和 B 訓練的模型預測準確率較高。對 418 個測試樣本的分析顯示，模型真正陽性率達 92.7%，檢測限穩定維持在 10 CFU；但 77.7% 的真陰性率表明仍存在改進空間，其中供體 F 樣本因 NA 水平異常導致的假陽性問題尤為突出，為後續優化模型對供體間代謝差異的適應性指明瞭方向。

機器學習輔助紫外吸收光譜法：以支持向量機為核心算法

為了讓機器學習更好地助力微生物污染檢測，該研究創新性地將其與紫外吸收光譜法相結合，提出了一種快速、靈敏且經濟高效的微生物污染檢測方法。該方法以支持向量機 (SVM) 為核心算法，通過分析細胞培養基的紫外吸收光譜特徵，實現對微生物污染的精準識別。

在模型構建方面，研究人員採用了單類支持向量機，並選擇了徑向基函數 (Radial Basis Function, RBF) 作為核函數，設定 γ 值為 0.002，ν 值為 0.2。訓練數據集由第 2、4、6 代的第 2 至第 7 天的供體 5，以及供體 8 的 PBS 摻入無菌樣本組成，這些樣本均被標記為 1，代表無菌狀態。每個樣本的吸光度值數據涵蓋的波長範圍是 237 nm 至 300 nm，以聚焦於煙酸 (NA) 和煙酰胺 (NAM) 的顯著光譜特徵，避免其他波段噪聲干擾。所有樣本在模型訓練前均進行了均值中心化處理，以校正因儀器漂移等因素導致的光譜偏差，從而提高模型的準確性。

在模型驗證與應用方面，機器學習輔助紫外吸收光譜法通過在供體 A 的 MSC 培養中加入 10 CFU 的大腸桿菌，在 9 小時到 24 小時之間，每隔 3 小時提取 3 次上清液樣本，以展示該方法對低濃度污染物的檢測能力。結果如下圖所示，SVM 模型能夠在 21 小時後準確預測樣本受污染，總檢測時間約為 21.5 小時。

大腸桿菌加標樣品的平均吸光度光譜

進一步地，研究將機器學習輔助紫外吸收光譜法與現有方法進行了比較。結果表明，機器學習輔助紫外吸收光譜法的檢測時間 (TTD) 為 21 小時，與 USP <71> 測試（觀察到渾濁需要 24 小時）和通過 LC-MS 計算 NA/NAM 比值的方法 (18 小時) 相當。但是，BacT/Alert® 3D 和 USP <71> 都需要訓練有素的操作人員從細胞培養中提取樣本並接種到各種生長富集培養基中。而紫外吸收光譜法的工作流程則相對簡單，不需要額外接種到生長富集培養基中，也不需要額外的培養時間和樣本製備，從而消除了觀察到的生長富集接種步驟所需的額外資源和成本。

SVM 模型對供體 A 的 80 個測量樣本的預測準確率評估

為了確定所提出的機器學習輔助紫外吸收光譜法是否可以應用於其他微生物，研究人員使用供體 A 的 PBS 滅菌樣本，將該方法應用於金黃色葡萄球菌 (S. aureus)、銅綠假單胞菌 (P. paraeruginosa)、枯草芽孢桿菌 (B. spizizenii)、產氣莢膜梭菌 (C. sporogenes)、酵母如白色念珠菌 (C. albicans)、大腸桿菌 K-12 (E. coli) 以及痤瘡丙酸桿菌 (C. acnes) 等其他微生長緩慢的生物種類的檢測，檢測限 (LoD) 低至 10 CFU。此外，研究還通過主成分分析 (PCA) 對 SVM 模型的性能進行了可視化分析，發現銅綠假單胞菌接種樣本在 PCA 圖中與 PBS 滅菌樣本明顯區分，表明模型能夠有效捕捉光譜特徵差異。

供體 A 感染不同微生物種類的液相色譜-質譜研究

在模型穩健性研究方面，考慮到供體間的差異可能影響模型性能，研究人員收集了 6 位商業供體（供體 B-G）的廢棄培養基樣本，並製備了 PBS 滅菌樣本。通過訓練基於不同供體的 SVM 模型並評估其對其他供體樣本的預測準確性，發現供體 A 和 B 的模型具有較高的平均預測率。因此，該研究後續基於供體 A 和 B 訓練的 SVM 模型應用於其他 6 位供體的樣本。研究結果表明，機器學習輔助紫外吸收光譜法實現了 92.7% 的真正陽性率，並且對於所測試的7種微生物，檢測限 (LoD) 始終保持在 10 CFU。然而，模型的真正陰性率為 77.7%，假陽性樣本主要來自供體 F，分析發現供體 F 樣本中 NA 水平較高，這提示未來需要進一步優化模型以提高其對供體間差異的適應性。

SVM 模型對不同供體的預測準確率評估

AI4S 賦能細胞治療：科研、產業與政策協同並進

近年來，從科研到商業界，從實驗室到產業化，細胞治療產品 (CTP) 捷報頻傳。

在基礎研究領域，同濟大學 TJ-AI4S 團隊在全球 AI 藥物研發算法大賽中奪冠，其提出的分子特徵延拓策略提升了模型的泛化能力，為 CTP 污染物分子指紋庫的構建提供了新思路。北京郵電大學與北京大學合作開發的 UniBind 框架，通過多尺度圖神經網絡解析蛋白質相互作用，為研究 CTP 中細胞因子與微生物代謝物的動態關聯提供了計算基礎。
論文鏈接：
https://www.nature.com/articles/s41591-023-02483-5

此外，上海科技大學的團隊開發了 CAR-Toner 平台，該平台利用 AI 算法優化 CAR 分子電荷分佈，成功提升了細胞擴增效率並減少了批次差異。這一創新不僅提高了生產效率，還為 CTP 的標準化生產提供了新的技術支撐。
論文鏈接：
https://www.nature.com/articles/s41422-024-00936-1

產業界也捷報頻傳，復星凱瑞（上海）生物科技有限公司的 CAR-T 藥物「奕凱達」在 2025 年實現了國內首次跨境供應，這背後是 AI 驅動的冷鏈物流管理系統，確保了細胞在極低温運輸中的活性。此外，美國生物技術公司 A2 Bio 通過 AI 篩選通用供體細胞，實現了 CAR-T 藥物的規模化預製，大幅降低了生產成本並縮短了治療等待週期，為患者帶來了更多的希望。

海外研究機構在 AI 賦能細胞治療領域同樣成果豐碩。2025 年，杜克大學生物醫學工程團隊開發了 PepPrCLIP 技術，基於 ESM-2 蛋白語言模型設計功能性短肽，為癌症精準治療提供了新策略。IBM Watson Health 與斯坦福大學合作構建的 AI 預測模型，通過整合患者基因組、蛋白質組及臨牀多維度數據，將 CAR-T 治療中細胞因子釋放綜合徵 (CRS) 的預測準確率提升至 89%，助力臨牀提前干預高危患者。這些都為全球細胞治療領域的發展注入了新的活力。

當前，AI4S 在 CTP 領域已經構建起從基礎研究到臨牀應用的完整鏈條，但在數據標準化和跨機構協作機制等方面仍需進一步完善。展望未來，隨着政策支持力度的加大和產學研的深度融合，AI4S 有望在 CTP 個性化製備、實時質量追溯、跨境物流優化等領域取得更大突破。

參考文章：
1.https://mp.weixin.qq.com/s/VZI7pm-kO7CxNJyrn9-qQw
2.https://mp.weixin.qq.com/s/0AoP5XSLOLzcTChQoIIfmw
3.https://mp.weixin.qq.com/s/Avu5SbLetCFBVUwnDybfsw
4.https://mp.weixin.qq.com/s/WoruStfCdYNDskAn_iFYtQ
5.https://www.nsfc.gov.cn/publish/portal0/tab1128/info90687.htm