Loading...
Design, development and analysis of Raman spectroscopy multivariate and machine learning methods for non-invasive, real-time monitoring of cell culture media and supernatants in a cardiac differentiation system
EcheverrÃa Altamar, Karla A.
EcheverrÃa Altamar, Karla A.
Citations
Altmetric:
Abstract
The complexity of cellular manufacturing processes necessitates advanced monitoring tools to ensure the quality of cell-based products for regenerative medicine. The use of cell culture media is important for manufacturing process because it is a complex mixture essential for cell growth, differentiation, and metabolic processes. This study evaluates the integration of Raman spectroscopy with multivariate and machine learning to monitor cellular media, glucose quantification, and cardiac differentiation from human-induced pluripotent stem cells (hiPSCs). Raman spectra of powdered cell culture media were analyzed to identify chemical variations related to biomolecules. Principal Component Analysis (PCA) differentiated media based on glucose and pyruvate concentrations, while Partial Least Squares (PLS) regression quantified glucose in complex mixtures, mitigating heterogeneity with composite sampling. For cardiac cell differentiation from human-induced pluripotent stem cells (hiPSCs), Raman spectroscopy identified biomolecular variations in cell supernatants collected at different process stages. While PCA highlighted trends related to differentiation on day 15, machine learning models—Random Forest, Deep Neural Networks, and K-Nearest Neighbors—showed superior performance, achieving over 80% accuracy in classification tasks. These models demonstrated potential for early-stage differentiation monitoring, enabling quality control and cost reduction in cell manufacturing. This work emphasizes the utility of Raman spectroscopy coupled to multivariate analysis and machine learning as a tool for quality control and early prediction of cell potency in a cell manufacturing process offering a low-cost, at line, non-invasive, real-time solution for improving the consistency and reliability of cellular manufacturing processes.
La complejidad de los procesos de manufactura celular exige herramientas avanzadas de monitoreo para garantizar la calidad de los productos celulares en medicina regenerativa. El uso de medios de cultivo celular es importante para el proceso de fabricación porque es una mezcla compleja esencial para el crecimiento celular, la diferenciación y los procesos metabólicos. Este estudio evalúa la integración de espectroscopÃa Raman con métodos multivariados y de aprendizaje automático para monitorear medios celulares, cuantificación de glucosa y diferenciación cardÃaca de células madre pluripotentes inducidas humanas (hiPSCs, por sus siglas en inglés). Espectros Raman de medios de cultivo celular en polvo fueron analizados para identificar variaciones quÃmicas relacionadas con biomoléculas. El Análisis de Componentes Principales (PCA, por sus siglas en inglés) distinguió los medios de cultivos según las concentraciones de glucosa y piruvato, mientras que la regresión de MÃnimos Cuadrados Parciales (PLS, por sus siglas en inglés) cuantificó la glucosa en mezclas complejas, reduciendo la heterogeneidad mediante un muestreo compuesto. En la diferenciación cardÃaca de hiPSCs, la espectroscopÃa Raman identificó variaciones biomoleculares en sobrenadantes recolectados en diferentes etapas del proceso. Aunque el PCA destacó tendencias relacionadas con la diferenciación en el dÃa 15, los modelos de aprendizaje automático (Bosques Aleatorios, Redes Neuronales Profundas y Vecinos Más Cercanos) mostraron un rendimiento superior, alcanzando más del 80% de precisión en tareas de clasificación. Estos modelos demostraron potencial para el monitoreo temprano de la diferenciación, permitiendo el control de calidad y la reducción de costos en la manufactura celular. Este trabajo destaca la utilidad de la espectroscopÃa Raman acoplado a métodos multivariados y de aprendizaje automático como una herramienta para el control de calidad y predicción temprana de la potencia de células en un proceso de manufactura de células ofreciendo una solución de bajo costo, en lÃnea, no invasiva y en tiempo real para mejorar la consistencia y confiabilidad de los procesos de fabricación celular.
La complejidad de los procesos de manufactura celular exige herramientas avanzadas de monitoreo para garantizar la calidad de los productos celulares en medicina regenerativa. El uso de medios de cultivo celular es importante para el proceso de fabricación porque es una mezcla compleja esencial para el crecimiento celular, la diferenciación y los procesos metabólicos. Este estudio evalúa la integración de espectroscopÃa Raman con métodos multivariados y de aprendizaje automático para monitorear medios celulares, cuantificación de glucosa y diferenciación cardÃaca de células madre pluripotentes inducidas humanas (hiPSCs, por sus siglas en inglés). Espectros Raman de medios de cultivo celular en polvo fueron analizados para identificar variaciones quÃmicas relacionadas con biomoléculas. El Análisis de Componentes Principales (PCA, por sus siglas en inglés) distinguió los medios de cultivos según las concentraciones de glucosa y piruvato, mientras que la regresión de MÃnimos Cuadrados Parciales (PLS, por sus siglas en inglés) cuantificó la glucosa en mezclas complejas, reduciendo la heterogeneidad mediante un muestreo compuesto. En la diferenciación cardÃaca de hiPSCs, la espectroscopÃa Raman identificó variaciones biomoleculares en sobrenadantes recolectados en diferentes etapas del proceso. Aunque el PCA destacó tendencias relacionadas con la diferenciación en el dÃa 15, los modelos de aprendizaje automático (Bosques Aleatorios, Redes Neuronales Profundas y Vecinos Más Cercanos) mostraron un rendimiento superior, alcanzando más del 80% de precisión en tareas de clasificación. Estos modelos demostraron potencial para el monitoreo temprano de la diferenciación, permitiendo el control de calidad y la reducción de costos en la manufactura celular. Este trabajo destaca la utilidad de la espectroscopÃa Raman acoplado a métodos multivariados y de aprendizaje automático como una herramienta para el control de calidad y predicción temprana de la potencia de células en un proceso de manufactura de células ofreciendo una solución de bajo costo, en lÃnea, no invasiva y en tiempo real para mejorar la consistencia y confiabilidad de los procesos de fabricación celular.
Description
Date
2025-05-09
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Cell culture media, Cell supernatant, Raman Spectroscopy, Multivariate analysis, Machine learning