Modelado predictivo del comportamiento de la viscosidad dependiente de la concentración de soluciones de anticuerpos monoclonales utilizando redes neuronales artificiales

Por Jonathan Schmitt, Abbas Razvi y Christoph Grapentin

Las soluciones de anticuerpos monoclonales (mAb) pueden presentar una mayor viscosidad en concentraciones elevadas, lo que puede ser una desventaja durante la purificación, el llenado y la administración de proteínas. La viscosidad está determinada por las interacciones proteína-proteína, que están influenciadas por la secuencia del anticuerpo, así como por las condiciones de la solución, como el pH, el tipo de tampón o la presencia de sales y otros excipientes. Para predecir la viscosidad, a menudo se utilizan parámetros experimentales, como el parámetro de interacción de difusión (kD), o herramientas computacionales que explotan información derivada de la secuencia primaria, pero aún falta una herramienta de predicción confiable. Presentamos un enfoque de modelado que emplea redes neuronales artificiales (RNA) utilizando factores experimentales combinados con parámetros derivados de la simulación, así como datos de viscosidad de 27 mAb altamente concentrados (180 mg/ml). Estas RNA se pueden utilizar para predecir si los mAb exhiben una viscosidad problemática en distintas concentraciones o para modelar curvas de viscosidad-concentración.

Jonathan Schmitt, Abbas Razvi y Christoph Grapentin (2023) Modelado predictivo del comportamiento de la viscosidad dependiente de la concentración de soluciones de anticuerpos monoclonales utilizando redes neuronales artificiales, mAb, 15:1, 2169440, DOI: 10.1080/19420862.2023.2169440