Phương pháp đột phá để phát hiện nhiễm vi sinh vật trong môi trường nuôi cấy tế bào

Các nhà khoa học từ trung tâm phân tích và phát triển y học cá thể (CAMP), thuộc hiệp hội nghiên cứu và phát triển công nghệ Singapore-MIT (SMART) đã tìm ra phương pháp mới giúp phát hiện tạp nhiễm vi sinh vật trong mẫu tế bào mô đệm trung mô (MSCs). Công nghệ này đảm bảo việc kiểm tra chính xác và nhanh chóng cho liệu pháp tế bào (CTP), và được sử dụng lâm sàng trên bệnh nhân. Công nghệ máy học (machine learning) được đưa vào sử dụng để chẩn đoán nhiễm khuẩn trong môi trường nuôi cấy sạch hoặc bị tạp nhiễm theo thời gian thực (real-time). Công nghệ này được sử dụng để theo dõi  trong suốt quá trình sản xuất môi trường tế bào; so với phương pháp truyền thống là kiểm tra sau khi kết thúc quá trình sản xuất. 

Hình 1. Môi trường nuôi cấy tế bào

Trong những năm gần đây, liệu pháp tế bào là một trong những phương pháp điều trị nhiều loại bệnh tật, chấn thương khác nhau. Các tế bào khỏe mạnh được truyền vào cơ thể bệnh nhân để chữa lành hoặc thay thế những tế bào bị tổn thương. Kỹ thuật này ngày càng được sử dụng điều trị hiệu quả bệnh ung thư, bệnh tự miễn dịch, tổn thương tủy sống, tổn thương thần kinh và các bệnh khác. Sự phát triển của liệu pháp tế bào giúp cứu sống nhiều người hơn. Mặt khác, các nhà khoa học vẫn tiếp tục cải tiến phương pháp và quy trình sản xuất việc nuôi cấy tế bào để đảm bảo tính an toàn, hiệu quả và vô trùng tuyệt đối.

Hình 2. Máy học giúp phát hiện tác nhân nhiễm khuẩn trong môi trường nuôi cấy tế bào

Mô hình máy học được phát triển bằng cách thu thập thông tin môi trường nuôi cấy tế bào vô trùng ở các môi trường nuôi cấy tế bào đệm trung mô ở những điều kiện khác nhau.  Một số mẫu thu nhận được đánh dấu bởi các chủng vi khuẩn khác nhau trên các đơn vị khuẩn lạc khác nhau và sẽ đo được nồng độ ước lượng vi sinh vật trong mẫu thử đó. Phổ hấp thụ của những mẫu: có vi khuẩn, không có vi khuẩn và vô trùng; được đo bằng máy quang phổ UV- Vis. Phổ hấp thụ của những mẫu vô trùng là cơ sở dữ liệu để huấn luyện mô hình máy học. Việc thử nghiệm mô hình hỗn hợp mẫu vô trùng và mẫu nhiễm vi khuẩn chứng minh hiệu quả giúp dự đoán chính xác độ vô trùng của mẫu. 

Trong quá trình sản xuất liệu pháp tế bào, mô hình này có thể sử dụng để phát hiện lây nhiễm vi sinh vật trong môi trường tế bào chỉ trong vài phút.Với phương pháp này giúp tiết kiệm thời gian, nguồn lực và những môi trường bị lây nhiễm được loại bỏ hoặc tái sử dụng ngay tức thời. Ngoài ra, mô hình này cung cấp một giải pháp thay thế nhanh chóng cho các xét nghiệm vô trùng truyền thống và các phương pháp phát hiện vi khuẩn, vi sinh vật khác; thường phải mất vài ngày; và phải thực hiện sau khi quá trình sản xuất thành sản phẩm. 

Hình 3. Mô hình minh họa việc thu thập dữ liệu và xử lý của máy học để phát hiện tác nhân nhiễm khuẩn trong môi trường nuôi cấy tế bào.

Yie Hou Lee, trưởng nhóm khoa học SMART CAMP phát biểu: “nhóm đang tăng cường sử dụng máy học để phát hiện mẫu môi trường nuôi cấy có nhiễm vi sinh vật , phát triển kỹ thuật để thực hiện nhanh chóng, kiểm soát quá trình tạp nhiễm, đánh dấu một bước tiến lớn trong quá trình đơn giản hóa quy trình sản xuất liệu pháp tế bào. Bên cạnh việc đảm bảo tính an toàn và vô trùng các sản phẩm tế bào trước khi truyền cho bệnh nhân, phương pháp này mang lại hiệu quả về chi phí, nguồn lực cho nhà sản xuất, cho phép kiểm soát các lô sản phẩm bị nhiễm. 

Trong tương lai, CAMP đặt mục tiêu sẽ phát triển hệ thống giám sát quá trình, trong đó mô hình phát hiện tác nhân nhiễm khuẩn này có thể được tích hợp với một số công nghệ trực tuyến nội bộ đang được phát triển, cho phép phân tích môi trường nuôi cấy định kỳ bằng lò phản ứng sinh học. Điều này mở ra khả năng cho các nghiên cứu thử nghiệm dài hạn, và chuyên sâu hơn trong việc theo dõi môi trường nuôi cấy. 

Tài liệu tham khảo:

Pandi Chelvam et al, Process Development and Manufacturing: Anomaly detection for microbial contamination in mesenchymal stromal cell culture, Cytotherapy (2022).

DOI: 10.1016/S1465-3249(22)00112-8

Trả lời

Email của bạn sẽ không được hiển thị công khai.