一种体外评价生物制品稳定性的方法、系统及设备

1.本发明涉及体外诊断试剂稳定性及医学图像分析技术领域，具体涉及一种体外评价生物制品稳定性的方法、系统、设备、计算机可读存储介质及其应用。


背景技术：

2.生物制品是指从生物体内提取或合成的具有生物活性的物质，如蛋白质、抗体、疫苗等。这些生物制品在制备、储存和运输过程中容易受到温度、光照、湿度等环境因素的影响，从而导致其质量和活性的损失。生物制品是指从生物体内提取或合成的具有生物活性的物质，如蛋白质、抗体、疫苗等。这些生物制品在制备、储存和运输过程中容易受到温度、光照、湿度等环境因素的影响，从而导致其质量和活性的损失。因此，对生物制品的稳定性进行体外评价非常重要，为其质量控制和生产工艺提供参考。稳定性研究是生物制品质量评价的重要部分，通过模拟体内温度、光照、湿度等因素对生物制品进行评价，为生物制品的制备、储存和运输提供科学依据，考察其质量和活性的稳定性。生物制品不稳定的表现形式之一是形成不同粒径的聚集体，其中微米级的聚集体称为亚可见颗粒。生物制品中亚可见颗粒的危害，含有大量亚可见颗粒的输液进入人体可直接造成体温升高，心跳加快，更甚可导致休克。这是由亚可见颗粒在身体某部位叠加堆积造成，主要症状有：血管阻塞、刺激发炎、肉芽肿、血液凝结等。稳定性研究中仍然存在许多问题，如只提供稳定性考察期末的研究数据，未提供稳定性考察过程中不同时间段的稳定性研究数据。另外，在稳定性研究中，只是考察生物制品本身的稳定性，未考察实际应用中与血环境接触后的稳定性。


技术实现要素：

3.本技术的目的在于，针对上述问题本技术实施例提供一种体外评价生物制品稳定性的方法、系统、设备、计算机可读存储介质及其应用，其旨在基于按照国家和行业标准模拟的血环境，通过提取生物制品输入前后的血环境图像序列中聚集体的形态特征进行预测生物制品输入前后血环境中聚集体的数量和/或浓度，根据生物制品输入前后血环境中聚集体的变化得到稳定性评价结果，特别是在生物制品输入后一定时间内，通过模拟体内温度、光照、湿度以及可能经受的震动等因素，再对其稳定性进行评价，以期反映体内真实稳定性，有效解决体外评价生物制品单一时间段或只考察生物制品本身的稳定性问题，通过图像分析技术无损无创地进行生物制品质控检查，更具科学性和可靠性。
4.根据本技术的第一方面，本技术提供了一种体外评价生物制品稳定性的方法，其包括：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境；通过机器学习方法提取所述血环境图像序列中聚集体的形态特征；基于所述形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度；根据生物制品输入前后血环境中聚集体的数量和/或浓度变化，得到生物制品的稳定性评价结果。
5.进一步，所述血环境包括外周血、血清、静脉血，以及血液中的体液。
6.在一些可选的实施方案中，所述体液包括脑脊液、淋巴液、组织液。
7.进一步，所述生物制品包括下列制品中的任意一种或几种：菌苗、疫苗、毒素、类毒素、免疫血清、血液制品、免疫球蛋白、抗原、变态反应原、细胞因子、激素、酶、单克隆抗体、dna重组产品、体外免疫诊断制品。
8.在一些可选的实施例中，所述形态特征包括下列特征中的任意一种或几种：亚可见颗粒的强度、圆度、密实度、边缘梯度、粗糙度、透明度。
9.进一步，形态特征的提取可以通过主成分分析、线性判别分析、支持向量机等传统机器学习方法实现边缘检测、纹理分析、角点检测。其中，边缘检测算法包括sobel算子、prewitt算子、canny算子等，纹理分析包括灰度共生矩阵、局部二值模式等，角点检测包括harris角点检测、shi-tomasi角点检测等。
10.进一步，形态特征的提取还可以基于深度学习的方法实现，如卷积神经网络、循环神经网络、全连接神经网络、残差网络、注意力模型、长短期记忆网络、hopfield网络和玻尔兹曼机等。
11.再进一步，所述形态特征还包括对所述血环境图像序列中的聚集体进行分割和特征提取，分别得到生物制品输入前后的血环境图像序列中聚集体的形态特征。
12.进一步，所述聚集体的数量和/或浓度，还包括不同聚集体类型的数量和/或浓度。其中，所述不同聚集体类型包括蛋白聚集体和/或抗体蛋白聚集体。
13.进一步，所述聚集体还包括不同直径大小的亚可见颗粒。
14.再进一步，所述亚可见颗粒的直径范围为2μm-100μm以内的任意有限个分段区间。
15.进一步，所述基于所述形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度，还包括通过对所述形态特征进行分类得到不同聚集体类型的形态特征，然后分别预测生物制品输入前后血环境中不同聚集体类型的数量和/或浓度。
16.在一个可选的实施方案中，所述亚可见颗粒的直径范围的分段区间包括2μm-10μm、10μm-25μm、25μm-100μm。进一步，25μm-100μm的亚可见颗粒的直径范围还可以分为25μm-50μm、25μm-100μm。
17.在一些实施例中，所述方法还包括：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境；对血环境图像序列进行特征提取分别得到生物制品输入前后血环境中聚集体的形态特征；基于形态特征进行分类得到蛋白聚集体和/或抗体蛋白聚集体，分别计算生物制品输入前后血环境中蛋白聚集体和/或抗体蛋白聚集体的数量和/或浓度；根据所述数量和/或浓度变化得到生物制品稳定性的评价结果。
18.根据本技术的第二方面，本技术提供了一种体外评价生物制品稳定性的系统，所述系统包括计算机程序，当所述计算机程序被执行时，实现上述体外评价生物制品稳定性的方法。
19.从系统的模块组成来看，所述系统包括获取模块、特征提取模块、分析预测模块和输出模块。
20.进一步，所述获取模块用于获取生物制品输入前后的血环境图像序列，所述血环境图像序列是通过将生物制品输入到所述血环境前后过程中获取的，所述血环境是在体外模拟的血环境。
21.进一步，所述特征提取模块通过机器学习方法提取所述血环境图像序列中聚集体
的形态特征。
22.进一步，所述分析预测模块用于对所述形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度。
23.更进一步，所述聚集体的数量和/或浓度还包括具体聚集体的类型的数量和/或浓度。可选的，所述不同聚集体类型包括下列生物制品输入前后血环境中聚集体的蛋白聚集体和/或抗体蛋白聚集体。
24.进一步，所述输出模块用于根据生物制品输入前后血环境中聚集体的数量和/或浓度变化，得到生物制品的稳定性评价结果。
25.根据本技术的第三方面，本技术一实施例提供了一种计算机分析设备，其包括：存储器和/或处理器；所述存储器用于存储进行体外识别生物制品药效评价的程序指令；所述处理器用于调用程序指令，当处理器调用所述程序指令时，实现上述体外评价生物制品稳定性的方法。
26.根据本技术的第四方面，本技术一实施例提供了一种计算机可读存储介质，其上存储有进行评价生物制品稳定性的计算机程序，当所述计算机程序被处理器执行时，实现上述体外评价生物制品稳定性的方法。
27.在一些实施例中，本技术提供的一种计算机可读存储介质，其上存储的计算机程序被处理器执行时，实现生物制品输入前后的血环境图像序列中聚集体形态特征的提取，然后基于提取的形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度以及聚集体的种类，再根据生物制品输入前后血环境中聚集体的变化实现注射剂的稳定性评价。
28.上述的设备或系统在体外评价生物制品稳定性的智能分类预测中的应用；可选的，所述生物制品包括菌苗、疫苗、毒素、类毒素、免疫血清、血液制品、免疫球蛋白、抗原、变态反应原、细胞因子、激素、酶、单克隆抗体、dna重组产品、体外免疫诊断制品。
29.上述的设备或系统在对同批次生物制品在不同时期的检测结果进行变异分析中的应用，所述不同时期包括基于生物制品使用前后时间序列的稳定性分析。
30.上述的设备或系统在辅助进行生物制品药效分析中的应用，能够推动其向临床应用的快速转化，特别是稳定性结果在深化应用研究中具有积极推动作用。
31.本发明基于计算机图像处理技术进行体外评价生物制品稳定性的预测，通过模拟血环境提取生物制品输入前后聚集体的形态特征集进行分类预测生物制品输入前后血环境中聚集体的变化，得到稳定性评价结果，有效解决体外评价生物制品的单一时间段的稳定性问题，通过图像分析技术无创无损可重复地进行生物制品质控检查，提高稳定性评价的科学性和可靠性，同时降低质控成本，具有很强的创新性，其在生物制品质控方面以及辅助制定个性化治疗策略方面意义重大。
32.本技术的优点：
33.1.本技术创新性的公开一种体外评价生物制品稳定性的方法，基于体外模拟的血环境，通过图像处理技术提取生物制品输入前后血环境中聚集体的形态特征，分别预测不同聚集体类型的数量和/或浓度，纵向分析生物制品输入前后不同时期血环境的状态，根据聚集体的动态变化得到生物制品的稳定性评价结果，是一种无创无损可重复的数据分析方式，客观提高数据分析的精度和深度；
34.2.本技术创造性的通过图像处理技术实现聚集体特征学习和分类预测，是一种有效均衡考虑聚集体细粒度特征(不同直径亚可见颗粒特征)的措施，特别是对于生物制品中亚可见颗粒与血环境中自身蛋白之间的自动区分，能够有效提高生物制品稳定性的评价效率、降低检测成本、提升研究效率，推动其向临床治疗的快速转化，使得本技术在应用于与体外评价生物制品稳定性有关的辅助分析中更有利，特别是在个性化肿瘤精准治疗方案选择中的广泛应用；
35.3.本技术创造性的在生物制品输入模拟的血环境后的一定时间内，通过模拟体内温度、光照、湿度以及可能经受的震动等因素，再对其稳定性进行评价，以期反映体内真实稳定性，有效解决体外评价生物制品单一时间段或只考察生物制品本身的稳定性问题，通过图像分析技术无损无创地进行生物制品质控检查，更具科学性和可靠性。
附图说明
36.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
37.图1是本发明实施例提供的一种体外评价生物制品稳定性的方法流程示意图；
38.图2是本发明实施例提供的一种体外评价生物制品稳定性的预测过程示意图；
39.图3是本发明实施例提供的一种体外评价生物制品稳定性的系统模块连接示意图；
40.图4是本发明实施例提供的一种计算机分析设备示意图。
具体实施方式
41.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
42.在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如s101、s102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
44.本技术实施例提供了一种体外评价生物制品稳定性的方法、系统、设备、计算机可读存储介质及其应用。其中，进行实现体外评价生物制品稳定性方法的相应训练装置可以集成在计算机设备中，该计算机设备可以为终端或者服务器等设备。该终端可以为智能手机、平板电脑、笔记本电脑、个人计算机等终端设备。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、
云计算、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容发布网络(content delivery network，简称cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
45.请参阅图1，图1是本发明实施例提供的一种体外评价生物制品稳定性的方法流程示意图。具体地，如图1所示的包括以下操作：
46.s101：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境。
47.进一步，获取生物制品输入前后的血环境图像序列包括由傅里叶红外光谱显微镜、流式成像显微镜、显微拉曼光谱和/或扫描电镜-能谱分析等光学显微镜获取的血环境图像序列。其中，由光学显微镜获取的血环境图像序列采用显微镜的景深合成功能，从在体外模拟血环境开始直到输入生物制品后稳定的血环境进行拍摄及合成得到。
48.在一个实施例中，获取的生物制品输入前后的血环境图像序列还包括对获取的生物制品输入前后的血环境图像序列进行预处理。预处理包括但不限于图像增强和自适应均衡。其中，自适应均衡主要是为均衡血环境图像序列的全局信息，对获取的血环境图像序列中存在的局部过明、过暗区域进行调整，以增强图像细节，同时尽可能消除背景噪声，以解决全局性问题。
49.进一步，为保证生物制品的质量和活性，并提供科学的数据支持。本技术基于最佳温度状态37℃(模仿人体环境)对生物制品稳定性进行体外评价。具体方法是将生物制品分装到不同的容器中，同时控制温度37℃。一般来说，对于不同的生物制品采用在不同温度下的储存时间和活性测定结果来评价生物制品稳定性，在具体稳定性评价中，可根据具体条件微调体外培养的血环境温度。同时，在生物制品输入模拟的血环境后的一定时间内，通过模拟体内温度、光照、湿度以及可能经受的震动等因素来获取血环境图像序列，再对其稳定性进行评价，以期反映体内真实稳定性，有效解决体外评价生物制品单一时间段或只考察生物制品本身的稳定性问题。
50.再进一步，血环境包括外周血、血清、静脉血，以及血液中的体液。其中，体液包括脑脊液、淋巴液、组织液。
51.再进一步，生物制品包括下列制品中的任意一种或几种：菌苗、疫苗、毒素、类毒素、免疫血清、血液制品、免疫球蛋白、抗原、变态反应原、细胞因子、激素、酶、单克隆抗体、dna重组产品、体外免疫诊断制品。
52.s102：通过机器学习方法提取血环境图像序列中聚集体的形态特征。
53.进一步，进行形态特征提取的传统机器学习方法主要通过主成分分析、线性判别分析、支持向量机等方法实现边缘检测、纹理分析、颜色特征、角点检测。其中，边缘检测算法包括sobel算子、prewitt算子、canny算子等，纹理分析包括灰度共生矩阵、局部二值模式等，颜色特征包括颜色直方图、颜色矩等，角点检测包括harris角点检测、shi-tomasi角点检测等。
54.进一步，形态特征的提取还可以基于深度学习的方法实现，如卷积神经网络、循环神经网络、全连接神经网络、残差网络、注意力模型、长短期记忆网络、hopfield网络和玻尔兹曼机等。
55.优选的，采用卷积神经网络和循环神经网络组合方式进行形态特征的提取。
56.卷积神经网络利用卷积和池化层来降低图像的维度，其卷积层是可训练的，但参数明显少于标准的隐藏层，能够突出图像的重要部分，并向前传播。
57.循环神经网络，最初在文本和语音等顺序数据的处理上较为普遍，后被广泛用于医学图像处理、疾病诊断与预后、药物研究和基因组信息挖掘等。
58.全连接神经网络包括输入层、隐藏层和输出层，通过非线性激活函数的多次复合，实现输入空间到输出空间的复杂映射。
59.残差网络的主要贡献是发现了“退化现象”，并针对退化现象进行了“快捷连接”，极大的消除了深度过大的神经网络训练困难问题。
60.注意力模型被广泛使用在各种不同类型的深度学习任务中，主要包括全局及局部注意力、硬注意力及软注意力和自我注意力模型。
61.长短期记忆网络是为解决循环神经网络在学习上下文信息出现的梯度消失、爆炸问题而设计，结构中加入内存块，每个模块包含循环连接的内存单元和门。
62.hopfield网络是一种单层互相全连接的反馈型神经网络，网络中的每个神经元既是输入也是输出，能够同时接收所有其它神经元传递的信息。
63.玻尔兹曼机是一种随机生成的hopfield网络，其样本分布遵循玻尔兹曼分布(也称吉布斯分布)，即描述一定温度下微观亚可见颗粒运动速度的概率分布。
64.进一步，步骤s102还包括通过对血环境图像序列中的聚集体进行分割和特征提取，分别得到生物制品输入前后血环境中聚集体的形态特征。其中，分割包括对血环境图像序列中聚集体这一目标对象进行检测识别，得到聚集体区域，然后再对分割得到的聚集体区域进行特征提取得到聚集体的形态特征。
65.在一些实施方案中，对生物制品输入前后的血环境图像序列中的聚集体进行分割采用下列模型中的任意一种或几种实现：u-net++、fcn、segnet、pspnet、deeplab v1/v2/v3/v3+、yolo、ssd、faster r-cnn、mask r-cnn。
66.u-net++在u-net基础上增加了重新设计的跳跃路径，通过在编码器和解码器之间加入dense block和卷积层来提高分割精度。
67.fcn是语义分割领域全卷积网络的开山之作，其主要思路是将图像分类的网络改良成语义分割的网络，通过将分类器(全连接层)变成上采样层来恢复。
68.segnet的主干网络是2个vgg16，通过去掉全连接层形成对应的编码器-解码器架构，提出最大池化的索引方法进行上采样，在推理阶段节省了内存。
69.pspnet提出了金字塔池化模块，该模型带有空洞卷积，其金字塔池化融合了四个比例的特征，同时结合了多尺寸信息。
70.deeplab v1/v2/v3/v3+是deeplab系列模型，deeplab v1使用空洞卷积扩大感受野和条件随机场细化边界，deeplab v2加了空洞卷积的并联结构，deeplab v3加了多梯度的图像级特征，改进了级联网络性能，deeplab v3+加了一个解码器模块，其主干网络用aligned xception(其中有深度可分解卷积)。
71.yolo是一种实时目标检测算法，是第一个平衡所提供检测质量和速度的算法，对输入图像以特征编码形式检测，有一个或多个产生模型预测的输出层。
72.ssd是一种单次检测深度神经网络，同时结合了yolo的回归思想和faster r-cnn
的anchors机制提取不同宽高比尺寸的多尺度目标特征。
73.faster r-cnn由用于生成区域候选框的深度卷积神经网络和使用生成区域候选框的fast r-cnn的检测头两部分组成。
74.mask r-cnn综合了faster r-cnn以及fcn算法的优点，也是双阶段实例分割算法中的后起之秀，该算法网络模型匠心独运，目标图像的分割精度高。
75.再进一步，从粒径范围上看，聚集体可以分为不同直径大小的亚可见颗粒，其粒径范围为2μm-100μm。具体的，亚可见颗粒直径分段区间为2μm-100μm以内的任意有限个区间，包括2μm-10μm、10μm-25μm、25μm-100μm，也可以是2μm-10μm、10μm-25μm、25μm-50μm、50μm-100μm，还可以是2μm-5μm、5μm-10μm、10μm-25μm、25μm-50μm、50μm-100μm。从聚集体类型上来看，聚集体包还可以进一步分为蛋白聚集体、抗体蛋白聚集体。
76.具体的，形态特征包括下列特征中的任意一种或几种：亚可见颗粒的强度、密实度、圆度、边缘梯度、粗糙度、透明度以及由这些特征进一步计算得到的最大、最小、平均值、中值等基本特征。
77.其中，强度是组成亚可见颗粒的像素的平均灰度值，等于灰度值的和与组成亚可见颗粒的像素数之比。当强度值越接近255时，像素越暗。
78.在一个实施例中，进行一个生物制品的稳定性评价时，强度作为一个显著性特征，能够用来区分不同直径(即粒径)大小的亚可见颗粒。亚可见颗粒的粒径在2μm-10μm时，强度中值为173.95；亚可见颗粒的粒径在10μm-25μm时，强度中值为158.60；亚可见颗粒的粒径在25μm-100μm时，强度中值为131.46。所有亚可见颗粒的平均强度值为177.49
±
3.37。随着亚可见颗粒直径的增加，亚可见颗粒的强度降低。其中，亚可见颗粒的粒径在2μm-10μm处的强度平均值为174.96
±
3.82，粒径在10μm-25μm处强度平均值为158.17
±
9.76，粒径》25μm处的强度平均值为122.41
±
33.49，由此可见，亚可见颗粒的分散度随着亚可见颗粒直径的增大而变大。
79.密实度描述的是亚可见颗粒的形状，等于周长2/(4*π*面积)。图像结构越复杂，价值越大，圆的密实度为1。
80.在一个实施例中，进行一个生物制品的稳定性评价时，密实度作为一个显著性特征，能够用来区分不同直径大小的亚可见颗粒。随着粒径的增大，如在亚可见颗粒在2μm-10μm、10μm-25μm、25μm-100μm这三个区间粒径的逐步增大，密实度的平均值分别为1.19
±
0.09、1.36
±
0.54、2.04
±
1.15，表明大直径的亚可见颗粒形状复杂。此外，其亚可见颗粒的粒径在2μm-10μm内，密实度的中值为1.19；粒径在10μm-25μm内，密实度的中值为1.36；粒径在25μm-100μm内，密实度的中值为2.04。
81.圆度描述颗粒的形状，当值越接近1，颗粒越圆。大多数亚可见颗粒的圆形度为0.90
±
0.03，这表明大多数亚可见颗粒为球形。
82.在一个实施例中，进行一个生物制品的稳定性评价时，随着亚可见颗粒在2μm-10μm、10μm-25μm、25μm-100μm这三个区间粒径的逐步增大，圆形度从0.87
±
0.04、0.75
±
0.13、0.62
±
0.18呈下降趋势，说明2-10μm的所有样品颗粒形状相同，但部分》25μm的样品颗粒变得不规则。
83.边缘梯度是构成亚可见颗粒外边界像素的平均强度。实验发现当边缘梯度值越高时，颗粒的外环越清晰。随着粒径的增大，边缘梯度先减小后增大。
84.在一个实施例中，进行一个生物制品的稳定性评价时，边缘梯度作为一个显著性特征，能够用来区分不同直径大小的亚可见颗粒。亚可见颗粒的粒径在2μm-10μm时，边缘梯度的中值为72.50；亚可见颗粒的粒径在10μm-25μm时，边缘梯度的中值为53.56；亚可见颗粒的粒径在25μm-100μm时，边缘梯度的中值为90.21。当粒径为2μm-10μm时，边缘梯度的平均值为70.70
±
5.63。当粒径在10μm-25μm之间时，边缘梯度的平均值为55.83
±
7.79。当亚可见颗粒粒径大于25μm时，边缘梯度的平均值为97.16
±
46.96。由此可见，随着亚可见颗粒粒径的增大，颗粒的分散度逐渐增加。
85.粗糙度是衡量亚可见颗粒表面粗糙程度的指标，其值等于圆周与凸圆周之比，是形态特征中区分不同直径的亚可见颗粒较为明显的一个显著性特征。
86.在一个实施例中，进行一个生物制品的稳定性评价时，粗糙度作为一个显著性形态特征，能够用来区分不同直径大小的亚可见颗粒。当亚可见颗粒的粒径在2-10μm时，其粗糙度中值为1.37；当亚可见颗粒的粒径在10-25μm时，其粗糙度中值为1.17；当亚可见颗粒的粒径在25-100μm时，其粗糙度中值为1.20。当亚可见颗粒值接近1时，亚可见颗粒表面光滑。而当一个亚可见颗粒具有较大的值时，该亚可见颗粒可能有很多内部孔。当粒径为2μm-10μm的亚可见颗粒时，其粗糙度的平均值1.37
±
0.02。当粒径为10μm-25μm时，颗粒粗糙度的平均值为1.19
±
0.05。当粒径大于25μm时，粗糙度的平均值增加到1.21
±
0.10。随着粒径的增大，颗粒的粗糙度先减小后增大。
87.在一个具体实施例中，随着粒径的增大，颗粒的透明度先降低后升高。当亚可见颗粒的粒径范围在2μm-10μm时，透明度为0.15；当亚可见颗粒的粒径范围在10μm-25μm时，透明度为0.12；当亚可见颗粒的粒径范围在25μm-100μm时，透明度为0.17。另外，亚可见颗粒的粒径为2μm-10μm内的平均透明度为0.15
±
0.02。当粒径为10μm-25μm时，亚可见颗粒的平均粗糙度为0.14
±
0.08。当粒径》25μm时，亚可见颗粒的平均粗糙度增加到0.16
±
0.10。
88.在一个优选的实施方案中，提取的形态特征包括不同直径大小的亚可见颗粒的强度、密实度、圆度、边缘梯度和/或透明度。
89.在一个具体实施方案中，步骤s103还包括通过结合微流成像分析方法和机器学习算法实现形态特征的提取。
90.s103：基于形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度。
91.进一步，步骤s103还包括通过对形态特征进行再分类得到不同聚集体类型的形态特征，再分别预测生物制品输入前后血环境中不同聚集体类型的数量和/或浓度。其中，再分类的目的是为了实现生物制品亚可见颗粒中与血环境中蛋白聚集体(包括自身蛋白)以及抗体蛋白聚集体之间的区分。不同聚集体类型包括蛋白聚集体、抗体蛋白聚集体，可以通过逻辑回归、k-最近邻、决策树、支持向量机、朴素贝叶斯以及nanodet、simple multi-dataset detection等人工神经网络模型实现再分类。
92.nanodet是一个速度超快和轻量级的移动端anchor-free目标检测模型，也是一个兼顾精度、速度和体积的检测模型。
93.simple multi-dataset detection是一种通过构建统一标签空间来集成训练多个数据集的目标检测模型。
94.在具体实施方案中，亚可见颗粒是不良反应的主要关注点。亚可见颗粒可能通过
与受体结合来激活人类t细胞和b细胞的免疫反应。当粒径小于10μm时，亚可见颗粒引起的免疫原反应(c3a、c5a)与亚可见颗粒浓度呈线性相关。
95.再进一步，具体进行不同直径的亚可见颗粒数量和/或浓度的计算主要是考虑到生物制品需要质控的安全阈值(在2μm-100μm任意区间内选择)。对于人体血管而言，人体微血管最细的仅2μm，婴幼儿的毛细血管内径仅3μm-5μm，成人人体毛血细管约6μm-8μm，小微粒数量实际上处于管理上的空白，存在安全隐患。因此，大于10μm的亚可见颗粒可能会堵塞人体毛细血管，引起血管阻塞、局部组织栓塞坏死、静脉炎或肉芽肿等不良反应。在生物制品质量控制方面，《美国药典》及《欧洲药典》规定使用光遮蔽法测量的≥10μm和25μm颗粒应分别保持在6000粒和600粒/容器以内。《美国药典》在眼内注射剂质控方面规定：≥10μm的亚可见颗粒控制在50粒以内/ml、≥25μm的亚可见颗粒控制在5粒以内/ml、≥50μm的亚可见颗粒控制在2粒以内/ml。
96.s104：根据生物制品输入前后血环境中聚集体的数量和/或浓度变化，得到生物制品的稳定性评价结果。
97.进一步，步骤s104还包括根据生物制品输入前后血环境中聚集体中蛋白聚集体和/或抗体蛋白聚集体的数量和/或浓度变化，以进一步区分抗体和自身蛋白，得到注射剂的稳定性评价结果。
98.进一步，在一些实施例中，上述方法还包括：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，其中，血环境是在体外模拟的血环境；对血环境图像序列进行特征提取分别得到生物制品输入前后血环境中聚集体的形态特征；基于形态特征进行分类得到蛋白聚集体和/或抗体蛋白聚集体，分别计算生物制品输入前后血环境中蛋白聚集体和/或抗体蛋白聚集体的数量和/或浓度；根据所述数量和/或浓度变化得到生物制品稳定性的评价结果。
99.具体的，如图2所示的体外评价步骤：
100.s201：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境。
101.进一步，血环境包括外周血、血清、静脉血，以及血液中的体液。其中，体液包括脑脊液、淋巴液、组织液。
102.再进一步，生物制品包括下列制品中的任意一种或几种：菌苗、疫苗、毒素、类毒素、免疫血清、血液制品、免疫球蛋白、抗原、变态反应原、细胞因子、激素、酶、单克隆抗体、dna重组产品、体外免疫诊断制品。
103.进一步，获取生物制品输入前后的血环境图像序列包括由傅里叶红外光谱显微镜、流式成像显微镜、显微拉曼光谱和/或扫描电镜-能谱分析等光学显微镜获取的血环境图像序列。其中，由光学显微镜获取的血环境图像序列采用显微镜的景深合成功能，从在体外模拟血环境开始直到输入生物制品后稳定的血环境进行拍摄及合成得到。
104.在一个实施例中，获取的生物制品输入前后的血环境图像序列还包括对获取的生物制品输入前后的血环境图像序列进行预处理。预处理包括但不限于图像增强和自适应均衡，其中，自适应均衡主要是为均衡血环境图像序列的全局信息，对获取的血环境图像序列中存在的局部过明、过暗区域进行调整，以增强图像细节，同时尽可能消除背景噪声，以解决全局性问题。
105.进一步，为保证生物制品的质量和活性，并提供科学的数据支持。在一些实施例中，本技术基于最佳温度状态37℃(模仿人体环境)对生物制品稳定性进行体外评价，具体方法是将生物制品分装到不同容器中，同时控制温度37℃。
106.一般来说，对于不同的生物制品采用在不同温度下的储存时间和活性测定结果来评价生物制品稳定性，在具体稳定性评价中，可根据具体条件微调体外培养的血环境温度。同时，在生物制品输入模拟的血环境后的一定时间内，通过模拟体内温度、光照、湿度以及可能经受的震动等因素来获取血环境图像序列，然后再对其稳定性进行评价，以期反映体内真实稳定性，有效解决体外评价生物制品单一时间段或只考察生物制品本身的稳定性问题。
107.s202：对血环境图像序列进行特征提取分别得到生物制品输入前后血环境中聚集体的形态特征。
108.其中，形态特征包括下列特征中的任意一种或几种：亚可见颗粒的强度、圆度、密实度、边缘梯度、平均梯度、粗糙度、透明度。其中，提取的亚可见颗粒包括不同粒径范围的亚可见颗粒，其粒径范围为2μm-100μm。
109.s203：基于形态特征进行分类得到蛋白聚集体和/或抗体蛋白聚集体分别计算生物制品输入前后血环境中蛋白聚集体和/或抗体蛋白聚集体的数量和/或浓度，根据数量和/或浓度的变化得到生物制品稳定性评价结果。
110.进一步，根据生物制品输入前后血环境中蛋白聚集体、抗体蛋白聚集体的数量和/或浓度变化，进而区分抗体和自身蛋白来评价生物制品药效的稳定性。
111.将上述方法用于体外评价生物制品稳定性是可行性的，表明通过图像处理技术纵向动态分析预测生物制品输入前后血环境中聚集体的状态，综合考虑不同时间点血环境生长状态的显著性效益特征，来实现生物制品稳定性的深度预测，更有效地辅助分析生物制品的安全性和时效性效果(如通过计算蛋白聚集体、抗体蛋白聚集体的数量和/或浓度变化对使用生物制品后产生抗体和自身蛋白的效果来评价其稳定性)，以降低检测成本、提升研究效率，推动其向临床个性化治疗的快速转化，使得本技术在应用于体外评价生物制品稳定性辅助分析方面更有利。
112.本发明实施例提供的一种体外评价生物制品稳定性的系统，其包括计算机程序，当计算机程序被执行时，实现上述体外评价生物制品稳定性的方法。
113.如图3所示的是本发明一实施例提供的体外评价生物制品稳定性的系统模块连接示意图，其包括获取模块、特征提取模块、分析预测模块和输出模块。
114.s301：获取模块，用于将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境。
115.进一步，血环境包括外周血、血清、静脉血，以及血液中的体液。其中，体液包括脑脊液、淋巴液、组织液。
116.进一步，注射剂包括下列生物制品中的任意一种或几种：菌苗、疫苗、毒素、类毒素、免疫血清、血液制品、免疫球蛋白、抗原、变态反应原、细胞因子、激素、酶、单克隆抗体、dna重组产品、体外免疫诊断制品。
117.再进一步，获取生物制品输入前后的血环境图像序列包括由傅里叶红外光谱显微镜、流式成像显微镜、显微拉曼光谱和/或扫描电镜-能谱分析等光学显微镜获取的血环境
图像序列。其中，由光学显微镜获取的血环境图像序列采用显微镜的景深合成功能，从在体外模拟血环境开始直到输入生物制品后稳定的血环境进行拍摄及合成得到。
118.s302：特征提取模块，通过机器学习方法提取血环境图像序列中聚集体的形态特征。
119.进一步，进行形态特征提取的传统机器学习方法主要通过主成分分析、线性判别分析、支持向量机等方法实现边缘检测、纹理分析、颜色特征、角点检测。其中，边缘检测算法包括sobel算子、prewitt算子、canny算子等，纹理分析包括灰度共生矩阵、局部二值模式等，颜色特征包括颜色直方图、颜色矩等，角点检测包括harris角点检测、shi-tomasi角点检测等。
120.进一步，进行形态特征提取还可以基于深度学习的方法实现，如卷积神经网络、循环神经网络、全连接神经网络、残差网络、注意力模型、长短期记忆网络、hopfield网络和玻尔兹曼机等。
121.再进一步，该特征提取模块还包括对生物制品输入前后的血环境图像序列中的聚集体进行分割和特征提取，分别得到生物制品输入前后血环境中聚集体的形态特征。具体的，形态特征包括下列特征中的任意一种或几种：亚可见颗粒的强度、密实度、圆度、边缘梯度、粗糙度、透明度。其中，密实度、圆度、边缘梯度、粗糙度中的任意一个或几个都可以作为一个显著性形态特征用来区分不同直径大小的亚可见颗粒，进一步进行生物制品输入前后血环境中聚集体的数量和/或浓度的计算，最终实现生物制品稳定性的评价。
122.进一步，在一些实施例中，分割采用下列模型中的任意一种或几种实现：u-net++、fcn、segnet、pspnet、deeplab v1/v2/v3/v3+、yolo、ssd、faster r-cnn、mask r-cnn。
123.s303：分析预测模块，用于基于形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度。
124.进一步，聚集体的数量和/或浓度还包括不同聚集体类型的数量和/或浓度。其中，聚集体类型包括蛋白聚集体和/或抗体蛋白聚集体，具体通过对生物制品输入前后的血环境图像序列中聚集体的形态特征进行再分类得到。
125.进一步，再分类通过逻辑回归、k-最近邻、决策树、支持向量机、朴素贝叶斯、以及nanodet、simple multi-dataset detection等人工神经网络模型中的任意一种或几种算法实现。
126.s304：输出模块，用于根据生物制品输入前后血环境中聚集体的数量和/或浓度变化，得到生物制品的稳定性评价结果。
127.进一步，该输出模块还包括根据生物制品输入前后血环境中聚集体中蛋白聚集体和/或抗体蛋白聚集体的数量和/或浓度变化，以进一步区分抗体和自身蛋白，得到注射剂的稳定性评价结果。
128.在一些实施例中，通过机器学习方法进行生物制品的稳定性评价是根据亚可见颗粒的强度、密实度、圆度、边缘梯度等参数建立亚可见颗粒模型，然后进行自动识别和分类。另外，流式成像显微镜可以在短时间内检测到大量亚可见颗粒，当流式成像显微镜与机器学习系统协作时，检测效率将大大提高，可以在几分钟内识别和分类数百万个亚可见颗粒。
129.在一个具体实施例中，基于上述方法进行检测一眼用制剂稳定性，得到的所有亚可见颗粒粒径≥2μm的眼用制剂样品中，颗粒浓度的中位数为662个颗粒/ml，所有眼用制剂
样品中亚可见颗粒粒径≥5μm的颗粒的中位数浓度为198个颗粒/ml，这意味着大多数颗粒在2μm-5μm。在检测的所有眼用制剂样品中，亚可见颗粒粒径≥2μm的亚可见颗粒的平均浓度为2466
±
3459个颗粒/ml，亚可见颗粒粒径≥5μm的亚可见颗粒的平均浓度为552
±
718个颗粒/ml，而亚可见颗粒粒径≥10μm的亚可见颗粒浓度仅占测量总计数的0.7％。这些样品中的大部分颗粒主要分布在1μm-10μm。在检测的所有眼用制剂样品中，临床ⅰ期样本的中值浓度为≥2μm亚可见颗粒的浓度为662.7个/ml，≥5μm亚可见颗粒的浓度为145.7个/ml，≥10μm亚可见颗粒的浓度为22.3个/ml。临床ⅰ期统计的样本均值为：在粒径≥2μm的亚可见颗粒为4436
±
5527个颗粒/ml，粒径≥5μm的亚可见颗粒为953
±
1159个/ml，粒径≥10μm的亚可见颗粒为17.67
±
8.3个/ml。在检测的所有眼用制剂样品中，临床
ⅰⅰ
期制剂的中值浓度为粒径≥2μm的亚可见颗粒929.3个/ml，粒径≥5μm的亚可见颗粒361.7个/ml，粒径≥10μm的亚可见颗粒21.65个/ml。测到临床
ⅰⅰ
期眼用制剂粒径≥2μm的平均浓度为1034
±
715个/ml、粒径≥5μm的平均浓度为328
±
205个/ml、粒径≥10μm的平均浓度为24.93个/ml、粒径≥25μm的平均浓度为1.325
±
0.46个/ml。此外，在检测的所有眼用制剂样品亚可见颗粒粒径≥2μm时的颗粒浓度为594.3个/ml，粒径≥10μm时的颗粒浓度为10.7个/ml。与临床
ⅰⅰ
期的制剂结果相比，临床ⅰ期的颗粒浓度不稳定。
130.图4是本发明实施例提供的一种计算机分析设备示意图，其包括：存储器和/或处理器，主要用于进行体外评价生物制品稳定性分析。具体的，该计算机分析设备还包括输入装置和输出装置。其中，设备中的存储器、处理器、输入装置和输出装置可以通过总线或者其他方式连接。如图4所示的以总线连接方式为例；其中，存储器存储有程序指令；处理器用于调用程序指令，当程序指令被执行时，实现上述的体外评价生物制品稳定性的方法。
131.在一些实施例中，存储器可以理解为程序的任何保存设备，处理器可以理解为程序的使用设备。
132.进一步，在一个具体实施例中，当设备中的程序指令被执行时，用于执行实现上述生物制品输入前后的血环境图像序列的获取、形态特征的提取、不同聚集体的类型数量浓度的预测和计算，进而评价生物制品稳定性。
133.本发明提供的一种计算机可读存储介质，其上存储有进行体外评价生物制品稳定性的计算机程序，当计算机程序被处理器执行时，实现上述体外评价生物制品稳定性的方法。
134.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
135.在本技术所提供的几个实施例中，应该理解到，所揭露的系统装置和方法可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的；再例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；又例如，多个模块或组件可以结合或者集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或模块的间接耦合或通信连接，也可以是电性、机械或其它形式。
136.作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。具体地，根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目
的。
137.另外，在本发明各个实施例中各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成模块既可以采用硬件形式实现，也可以采用软件功能模块形式实现。
138.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。上述计算机程序或者方法的执行主体应为一台计算机装置，具体也可以为手机、服务器、工控机、单片机和智能家电处理器等。
139.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来完成相关的硬件指令，其程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器、磁盘或光盘等。
140.以上对本发明所提供的一种计算机分析设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种体外评价生物制品稳定性的方法，其特征在于，所述方法包括：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境；通过机器学习方法提取所述血环境图像序列中聚集体的形态特征；基于所述形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度；根据生物制品输入前后血环境中聚集体的数量和/或浓度变化，得到生物制品的稳定性评价结果。2.根据权利要求1所述的体外评价生物制品稳定性的方法，其特征在于，所述形态特征还包括对所述血环境图像序列中的聚集体进行分割和特征提取，分别得到生物制品输入前后的血环境图像序列中聚集体的形态特征，所述形态特征包括下列特征中的任意一种或几种：亚可见颗粒的强度、圆度、密实度、边缘梯度、粗糙度、透明度；可选的，所述形态特征的提取采用下列方法中的一种或几种：主成分分析、线性判别分析、支持向量机等传统机器学习方法实现边缘检测、纹理分析、角点检测；优选的，边缘检测包括sobel算子、prewitt算子、canny算子，纹理分析包括灰度共生矩阵、局部二值模式，角点检测包括harris角点检测、shi-tomasi角点检测；可选的，所述形态特征的提取采用下列方法中的一种或几种：卷积神经网络、循环神经网络、全连接神经网络、残差网络、注意力模型、长短期记忆网络、hopfield网络、玻尔兹曼机。3.根据权利要求1所述的体外评价生物制品稳定性的方法，其特征在于，所述基于所述形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度，还包括通过对所述形态特征进行分类得到不同聚集体类型的形态特征，然后分别预测生物制品输入前后血环境中不同聚集体类型的数量和/或浓度。4.根据权利要求3所述的体外评价生物制品稳定性的方法，其特征在于，所述不同聚集体类型包括蛋白聚集体和/或抗体蛋白聚集体；可选的，所述方法还包括：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境；对血环境图像序列进行特征提取分别得到生物制品输入前后血环境中聚集体的形态特征；基于形态特征进行分类得到蛋白聚集体和/或抗体蛋白聚集体，分别计算生物制品输入前后血环境中蛋白聚集体和/或抗体蛋白聚集体的数量和/或浓度；根据所述数量和/或浓度变化得到生物制品稳定性的评价结果。5.根据权利要求1所述的体外评价生物制品稳定性的方法，其特征在于，所述亚可见颗粒的直径范围为2μm-100μm以内的任意有限个分段区间；可选的，所述亚可见颗粒的直径范围的分段区间包括2μm-10μm、10μm-25μm、25μm-100μm；优选的，所述25μm-100μm的亚可见颗粒的直径范围还可以分为25μm-50μm、25μm-100μm。6.根据权利要求1所述的体外评价生物制品稳定性的方法，其特征在于，所述血环境包括外周血、血清、静脉血和/或血液中的体液；优选的，所述体液包括脑脊液、淋巴液、组织液。7.根据权利要求1所述的体外评价生物制品稳定性的方法，其特征在于，所述生物制品包括下列制品中的任意一种或几种：菌苗、疫苗、毒素、类毒素、免疫血清、血液制品、免疫球蛋白、抗原、变态反应原、细胞因子、激素、酶、单克隆抗体、dna重组产品、体外免疫诊断制品。
8.一种体外评价生物制品稳定性的系统，其特征在于，所述系统包括计算机程序，当所述计算机程序被执行时，实现权利要求1-7任意一项所述的体外评价生物制品稳定性的方法。9.一种计算机分析设备，其特征在于，所述设备包括：存储器和/或处理器；所述存储器用于存储进行体外识别生物制品药效评价的程序指令；所述处理器用于调用程序指令，当所述程序指令被执行时，实现权利要求1-7任意一项所述的体外评价生物制品稳定性的方法。10.一种计算机可读存储介质，其特征在于，其上存储有进行体外评价生物制品稳定性的计算机程序，当所述计算机程序被处理器执行时，实现权利要求1-7任意一项所述的体外评价生物制品稳定性的方法。

技术总结
本发明涉及一种体外评价生物制品稳定性的方法、系统及设备。包括：将生物制品输入到血环境，获取生物制品输入前后的血环境图像序列，所述血环境是在体外模拟的血环境；通过机器学习方法提取血环境图像序列中聚集体的形态特征；基于形态特征分别预测生物制品输入前后血环境中聚集体的数量和/或浓度；根据生物制品输入前后聚集体的数量和/或浓度变化，得到生物制品的稳定性评价结果。本发明旨在基于模拟的血环境，通过图像处理技术计算生物制品输入到血环境前后的聚集体的数量和/或浓度变化，以发掘图像分析在生物制品质控检查和稳定性评价中的潜在应用价值。性评价中的潜在应用价值。性评价中的潜在应用价值。


技术研发人员：郭莎 王兰 吴昊 王翠 贾哲 于传飞 郭翔 李萌 王文波 杜加亮 贺鹏飞 陈国庆 李灵坤 许东泽
受保护的技术使用者：沈阳药科大学
技术研发日：2023.05.11
技术公布日：2023/8/6