直播|BIA Separations & 和元生物两位大咖关于质粒DNA的制造工艺和质量控制

探讨质粒DNA(pDNA)在生物制药领域的制造工艺与质量控制,介绍使用CIM®整体柱技术实现高效率纯化的案例,并分享质粒产品生产工艺开发的关键要素。

 

 质粒 DNA(pDNA) 是生物研究和治疗开发中用于转移或表达基因的一个基本组成部分。细胞与基因治疗中最常用的载体AAV和慢病毒的生产都需要质粒作为起始材料,随着基因治疗,细胞治疗及DNA疫苗的快速发展,快速高效的大规模工业化制备质粒DNA(pDNA)需求不断增加。

但质粒DNA(pDNA)由于其大尺寸、剪切敏感性、高粘度以及pDNA与生产过程中存在的杂质之间的相似性而面临较大挑战。因此,了解工艺的各个方面对大规模成功生产至关重要。

聚焦质粒产品的生产工艺,由Taas Labs谈思生物举办的T-Bio谈思生物医疗直播课本期特别联合精瑞科学邀请BIA Separations d.o.o.创始人兼首席执行官Ales Štrancar以及和元生物技术(上海)股份有限公司质粒平台副总监吴勇博士12月22日(周四)19:30-20:30分别为大家带来“临床级别质粒DNA的制造工艺”“质粒产品的生产工艺开发和质量控制”的话题分享,敬请期待!(详情关注“谈思生物”

 Ales Štrancar

BIA Separations d.o.o. CEO

Ales Štrancar 是 BIA Separations公司的创始人,自 1998 年以来一直是公司的执行董事总经理。

Aleš 是 CIM Convective Interaction Media 整体柱技术的主要发明者之一,也是许多分析方法和纯化工艺(包括 pDNA、mRNA、AAV、腺病毒和其他病毒)的共同发明者。

Aleš 是 90 多篇涉及分离和纯化技术的科学论文的作者或合著者。他是生物分子分离和纯化领域多项美国专利及其外国专利的合著者。

演讲话题

“临床级别质粒DNA的制造工艺”

精彩预告

CIM®整体柱具有高回收率、高载量、分离速度快和高流速下保持分辨率等优势,这使其能够在实验室和规模化生产上高效率高质量地纯化临床级别质粒DNA。本次报告将讨论,基于细胞裂解以及使用CIM®整体柱(包括使用PATfixTM分析技术工具)纯化质粒DNA,对其制造过程进行流程优化和质量控制。

 吴勇

和元生物技术(上海)股份有限公司

质粒平台副总监

复旦大学生物与医药专业博士,副研究员。现任和元生物技术(上海)股份有限公司工艺开发部质粒平台副总监,从事生物医药开发超过12年,拥有丰富的CMC研究和新药IND申报经验,研究内容主要包括多肽药物、核酸药物等的工艺开发、技术转移和质量控制。参与或主导了多个药物的研发,其中3 个已获NMPA批准上市,5 个处于NDA或临床研究阶段。

演讲话题

“质粒产品的生产工艺开发和质量控制”

精彩预告

质粒是病毒载体包装生产、mRNA体外合成、dsDNA和ssDNA制备的重要起始材料,还可以直接作为核酸疫苗使用。本次线上报告将分享以IND为目的的质粒产品的生产工艺开发和质量控制方法,并对质粒生产工艺开发中的若干重要问题进行深入讨论。

【电力系统】单机无穷电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值