一种亚可见颗粒质控方法、系统及设备

技术领域

本发明涉及医学图像分析技术领域，具体涉及一种亚可见颗粒质控方法、系统、设备、计算机可读存储介质及其应用。

背景技术

亚可见颗粒是药品临床应用安全性指标，也是药品生产的质控指标之一。生物制品中大量亚可见颗粒一旦进入人体可直接造成体温升高，心跳加快，更甚可导致休克。这是由亚可见颗粒的不溶性特征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。

随着药品的检查要求越发严格，FDA最近期望企业能检测的下限探至2μm。对于微米级别的亚可见颗粒的识别检测，通常采用光阻法(LO)、微流成像颗粒分析技术(MFI)、库尔特颗粒计数(Coulter counter电感应区检测方法)等。产生亚可见颗粒主要有两大因素：外源性主要包括生产过程中各类包装容器粘附的各种微粒，如尘埃、玻璃屑、有机物、无机盐等，以及生产设备长期磨损和相互摩擦撞击等；内源性主要包括生产原料以及生产工艺的操作。目前进行亚可见颗粒溯源分析的单一应激压力有旋转、热应力、搅拌应力、冻融应力、高温应力。从药品的生命周期阶段来看，构建的应力溯源分析尚不完善，没有形成系统的标准化检测和全面的应力分析。因此，如何提高应力分析的可靠性和有效性以提供有效的亚可见颗粒质控举措是目前仍待解决的问题。

发明内容

本申请的目的在于，针对上述问题本申请实施例提供一种亚可见颗粒质控方法、系统、设备、计算机可读存储介质及其应用，其旨在基于药品生命周期的各个阶段和目前存在的临床质控问题，通过提取亚可见颗粒的形态特征，匹配不同应力场景下存在亚可见颗粒超标的特异性特征，以实现更系统的标准化检测和更全面的亚可见颗粒应力溯源分析，更具科学性和可靠性。

根据本申请的第一方面，本申请提供了一种亚可见颗粒质控方法，其包括：获取生物制品的图像序列；对所述图像序列中的图像分割得到图像中的亚可见颗粒；对所述图像中的亚可见颗粒进行特征提取得到形态特征；将形态特征输入到应力溯源分析模型中，匹配所述应力溯源分析模型中的形态特征集得到聚集体产生原因，若匹配不成功，得到亚可见颗粒质控合格的结果，所述应力溯源分析模型基于生物制品在单一应力和/或N种应力场景下存在亚可见颗粒超标的图像序列中的亚可见颗粒形态特征建模得到，所述N为大于1的自然数整数。

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、单克隆抗体、DNA重组产品、体外免疫诊断制品。

进一步，在一些实施方案中，所述分割采用下列方法中的任意一种或几种实现：区域生长算法、区域分裂合并算法、分水岭算法、U-Net++、SegNet、PSPNet、DeepLab、YOLO、SSD、Faster R-CNN、Mask R-CNN。

进一步，进行形态特征提取的传统机器学习方法主要包括下列算法中的任意一种或几种：主成分分析、线性判别分析、支持向量机。

再进一步，进行形态特征提取还包括通过深度学习方法实现，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网络等。

进一步，所述形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。

其中，所述聚集体进一步包括下列亚可见颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

进一步，所述单一应力包括下列应力中的任意一种：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

进一步，所述应力溯源分析模型的构建过程包括：

获取不同应力下生物制品的图像序列；

对所述图像序列中的图像进行分割得到亚可见颗粒，对亚可见颗粒进行特征提取得到不同应力下的亚可见颗粒形态特征集合；

基于不同应力下的亚可见颗粒形态特征集合进行聚类分析得到不同应力下存在亚可见颗粒超标的形态特征集，根据形态特征集构建得到鉴定不同亚可见颗粒类型的应力来源的应力溯源分析模型。

其中，所述亚可见颗粒形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。

再进一步，所述不同应力包括单一应力和/或N种应力，所述形态特征集包括不同应力下亚可见颗粒的特异性特征集，所述N为大于1的自然数整数，优选的，所述N为2-10的自然数整数。

具体的，所述形态特征集包括下列特征：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、和/或球形度，以及相应的各个特征阈值。

在一个优选的实施方案中，所述不同应力包括细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶在内的单一应力或N种应力，以及每种应力对应的应力强度。

在一些可选的实施方案中，所述应力溯源分析模型基于亚可见颗粒的质控标准构建得到。进一步，所述应力溯源分析模型包括单一应力溯源分析模型、N种应力联合的溯源分析模型、基于不同生物制品的应力溯源分析模型和/或基于不同亚可见颗粒类型的应力溯源分析模型。

进一步，所述单一应力溯源分析模型根据单一应力场景下生物制品的亚可见颗粒形态特征集合构建得到。

进一步，所述N种应力联合的溯源分析模型基于N种应力场景下存在亚可见颗粒超标的图像序列建模得到。其中，所述N种应力场景包括下列应力中的任意两种：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

进一步，所述基于不同生物制品的应力溯源分析模型是基于质控不同生物制品在不同应力下的图像序列进行构建得到。可选的，所述不同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、单克隆抗体、DNA重组产品、体外免疫诊断制品。

进一步，所述基于不同亚可见颗粒类型的应力溯源分析模型是基于质控不同亚可见颗粒类型在不同应力下产生的图像序列进行构建得到。可选的，所述不同亚可见颗粒类型包括下列颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

再进一步，根据所述应力溯源分析模型对应的实质性溯源分析情况，所述应力溯源分析模型还可以分为：同一生物制品下不同亚可见颗粒类型的应力溯源分析模型；不同生物制品下同一亚可见颗粒类型的应力溯源分析模型。

更进一步，所述应力溯源分析模型的构建方案包括：基于不同应力场景下对生物制品中的亚可见颗粒进行溯源分析。所述不同应力场景包括下列应力中的任意一种或几种：机械冲击、细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

在一个具体实施例中，所述方法还包括：

获取抗体注射剂和/或蛋白注射剂的图像序列；

对所述图像序列中的图像分割得到图像中的亚可见颗粒；

对所述图像中的亚可见颗粒进行特征提取得到形态特征；

根据所述形态特征对所述亚可见颗粒进行分类得到抗体和/或蛋白聚集体；

将所述分类得到抗体和/或蛋白聚集体的形态特征分别输入到抗体和/或蛋白聚集体应力溯源分析模型，得到抗体和/或蛋白聚集体产生原因；

可选的，所述抗体和/或蛋白聚集体应力溯源分析模型基于冻融、振荡和/或热应力场景下的抗体注射剂和/或蛋白注射剂的图像序列中的亚可见颗粒进行特征提取得到形态特征，得到不同应力下的亚可见颗粒形态特征集合得到冻融、振荡和/或热应力场景下产生抗体和/或蛋白聚集体超标的特异性特征集。

所述蛋白聚集体为除抗体以外的蛋白质聚集体。

进一步，所述根据所述形态特征和颜色特征对所述亚可见颗粒进行分类得到抗体和/或蛋白聚集体。其中，所述形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。其中，所述颜色特征包括下列特征中的任意一种或几种：颜色直方图、颜色矩(颜色分布)、颜色集、颜色聚合向量和颜色相关图。

具体的，所述颜色特征用于映射亚可见颗粒的PH值和蛋白结构，进而实现抗体和蛋白聚集体这两个蛋白聚集体的分类识别。

根据本申请的第二方面，本申请提供了一种亚可见颗粒质控系统，所述系统包括机器可读程序指令，所述机器可读程序指令被处理器执行时，实现上述亚可见颗粒质控方法。

在一些具体的实施方案中，从系统的模块组成来看，所述系统包括获取模块、图像分割模块、特征提取模块和特征匹配模块，各个模块依次连接实现生物制品中亚可见颗粒的质控和溯源分析。

进一步，所述获取模块，用于获取生物制品的图像序列。

其中，获取的生物制品的图像序列是通过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对所述生物制品进行扫描得到。

再进一步，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、单克隆抗体、DNA重组产品、体外免疫诊断制品。

进一步，所述图像分割模块，用于对所述图像序列中的图像分割得到图像中的亚可见颗粒。

在一些实施方案中，所述分割采用下列方法中的任意一种或几种实现：区域生长算法、区域分裂合并算法、分水岭算法、U-Net++、SegNet、PSPNet、DeepLab、YOLO、SSD、Faster R-CNN、Mask R-CNN。

进一步，所述特征提取模块，用于对所述图像中的亚可见颗粒进行特征提取得到形态特征。其中，进行形态特征提取的传统机器学习方法主要包括下列算法中的任意一种或几种：主成分分析、线性判别分析、支持向量机。

再进一步，进行形态特征提取还包括通过深度学习方法实现，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网络等。

再进一步，所述形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。

在一个具体实施方案中，所述形态特征包括密实度、边缘梯度和/或粗糙度。

更进一步，所述特征提取模块还包括对所述图像中的亚可见颗粒进行特征提取得到形态特征和颜色特征。其中，所述颜色特征用于映射亚可见颗粒的PH值和蛋白结构，进而实现抗体和蛋白聚集体这两个蛋白聚集体的分类识别。

进一步，所述特征匹配模块，用于将形态特征输入到应力溯源分析模型中，匹配所述应力溯源分析模型中的形态特征集得到聚集体产生原因，若匹配不成功，得到亚可见颗粒质控合格的结果。

其中，所述应力溯源分析模型基于生物制品在单一应力和/或N种应力场景下存在亚可见颗粒超标的图像序列中的亚可见颗粒形态特征建模得到。具体的，所述应力包括下列应力中的任意一种：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶，。

再进一步，所述应力溯源分析模型的构建过程包括：

获取不同应力下生物制品的图像序列；

对所述图像序列中的图像进行分割得到亚可见颗粒，对亚可见颗粒进行特征提取得到不同应力下的亚可见颗粒形态特征集合；

基于不同应力下的亚可见颗粒形态特征集合进行聚类分析得到不同应力下存在亚可见颗粒超标的形态特征集，根据形态特征集构建得到鉴定不同亚可见颗粒类型的应力来源的应力溯源分析模型。

其中，所述亚可见颗粒形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。

再进一步，所述不同应力包括单一应力和/或N种应力，所述形态特征集包括不同应力下亚可见颗粒的特异性特征集。

具体的，所述形态特征集包括下列特征：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、和/或球形度，以及相应的各个特征阈值。

在一个优选的实施方案中，所述不同应力包括细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶在内的单一应力或N种应力，以及每种应力对应的应力强度。

在一些可选的实施方案中，所述应力溯源分析模型基于亚可见颗粒的质控标准构建得到。

进一步，所述应力溯源分析模型包括单一应力溯源分析模型、N种应力联合的溯源分析模型、基于不同生物制品的应力溯源分析模型和/或基于不同亚可见颗粒类型的应力溯源分析模型。

进一步，所述单一应力溯源分析模型根据单一应力场景下生物制品的亚可见颗粒形态特征集合构建得到。

进一步，所述N种应力联合的溯源分析模型基于N种应力场景下存在亚可见颗粒超标的图像序列建模得到。其中，所述N种应力场景包括下列应力中的任意两种：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

进一步，所述基于不同生物制品的应力溯源分析模型是基于质控不同生物制品在不同应力下的图像序列进行构建得到。可选的，所述不同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、单克隆抗体、DNA重组产品、体外免疫诊断制品。

进一步，所述基于不同亚可见颗粒类型的应力溯源分析模型是基于质控不同亚可见颗粒类型在不同应力下产生的图像序列进行构建得到。可选的，所述不同亚可见颗粒类型包括下列颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

再进一步，根据所述应力溯源分析模型对应的实质性溯源分析情况，所述应力溯源分析模型还可以分为：同一生物制品下不同亚可见颗粒类型的应力溯源分析模型；不同生物制品下同一亚可见颗粒类型的应力溯源分析模型。

更进一步，所述应力溯源分析模型的构建方案还包括：基于不同应力场景下对生物制品中的亚可见颗粒进行溯源分析。所述不同应力场景包括下列应力中的任意一种或几种：机械冲击、细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

再进一步，具体的，所述聚集体进一步包括下列亚可见颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

再进一步，所述特征匹配模块还包括对所述形态特征进行分类识别得到不同亚可见颗粒类型的形态特征，所述不同亚可见颗粒类型包括下列颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

在一个具体实施例中，所述系统还包括获取模块、特征提取模块、溯源分析模块，各个模块依次连接实现抗体注射剂和/或蛋白注射剂的亚可见颗粒质控。

进一步，获取模块，用于获取抗体注射剂和/或蛋白注射剂的图像序列。

进一步，特征提取模块，用于对所述图像序列分割得到亚可见颗粒，对亚可见颗粒进行特征提取得到分类特征，根据分类特征对所述亚可见颗粒进行分类得到抗体和/或蛋白聚集体。

再进一步，所述分类特征包括形态特征和颜色特征。其中，所述形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。其中，所述颜色特征包括下列特征中的任意一种或几种：颜色直方图、颜色矩(颜色分布)、颜色集、颜色聚合向量和颜色相关图。

具体的，所述颜色特征用于映射亚可见颗粒的PH值和蛋白结构，进而实现抗体和蛋白聚集体这两个蛋白聚集体的分类识别。

进一步，溯源分析模块，用于将所述抗体和/或蛋白聚集体输入到应力溯源分析模型，得到蛋白聚集体产生原因。

根据本申请的第三方面，本申请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亚可见颗粒质控的程序指令；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，实现上述亚可见颗粒质控方法。

根据本申请的第四方面，本申请一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述亚可见颗粒质控方法。

在一些实施例中，本申请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，实现生物制品图像序列的获取、对亚可见颗粒的分割、特征提取和特征匹配过程，进而实现亚可见颗粒的溯源分析和质控结果。

上述的设备或系统在建立生物制品的稳定性预测和预防方案中的应用，所述应用包括基于标准亚可见蛋白类药物颗粒的制备条件，将所述应力溯源分析模型用于分析哪一类特征的颗粒更易产生免疫原性，以诱导机体产生抗药物抗体，有助于建立制剂稳定性的预测和预防方案，推动其向临床应用的快速转化，特别是在个性化精准治疗方案选择中的广泛应用。

本发明基于获取的生物制品图像序列，通过计算机图像处理技术对图像序列中的图像进行分割得到亚可见颗粒，然后对亚可见颗粒进行特征提取得到形态特征，将形态特征输入到应力溯源分析模型中，匹配应力溯源分析模型中的形态特征集得到聚集体产生原因。本发明方法旨在通过特征匹配实现亚可见颗粒形成的应力溯源分析，以发掘其在亚可见颗粒质控检查中的潜在应用价值。

本申请的优点：

1.本申请创新性的公开一种亚可见颗粒质控方法，基于特征匹配实现亚可见颗粒产生的溯源分析，所述特征匹配基于不同应力下产生亚可见颗粒的特异性特征匹配，通过构建的应力溯源分析模型实现，所述应力溯源分析模型是基于不同应用场景和/或不同目标对象得到的系统性分析模型，是基于不同应力下存在亚可见颗粒超标的图像序列中获取形态特征集构建得到，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。

2.本申请创造性的贯穿于整个生命周期的药品生产工艺顺序进行建模得到应力溯源分析模型，通过图像处理技术实现亚可见颗粒的特征学习和分类预测，是一种有效均衡考虑不同应力场景下以及每种应力对应的应力强度的有效质控措施，对不同类型的亚可见颗粒实现实质性的溯源分析，更全面更科学更系统；

3.本申请创造性的通过蛋白质应力溯源分析模型对抗体和/或蛋白聚集体进行识别和分类得到特异性特征，基于特异性特征分析出更易产生免疫原性的颗粒特征，有助于建立生物制品的稳定性预测和安全性预防方案，推动其向临床治疗的快速转化，使得本申请在应用于与亚可见颗粒质控有关的辅助分析，特别是个性化精准治疗方案选择中的广泛应用，更具科学性和可靠性。

附图说明

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。

图1是本发明实施例提供的一种亚可见颗粒质控方法流程示意图；

图2是本发明实施例提供的一种应力溯源分析模型构建过程示意图；

图3是本发明实施例提供的基于应力溯源分析模型的具体分型示意图；

图4是本发明实施例提供的一种亚可见颗粒质控系统模块连接示意图；

图5是本发明实施例提供的RANKL单抗在不同应力下的亚可见颗粒质控图；

图6是本发明实施例提供的在未经OTS处理和OTS处理的玻璃瓶中，经过机械冲击这一应力处理的IgG2产生的蛋白聚集体示意图，其中，(a)表示亚可见颗粒浓度，(b)表示亚可见颗粒的平均粒径，(c)表示Bis-ANS荧光增加量；

图7是本发明实施例提供的应力作用后的单抗溶液产生的亚可见颗粒的粒径分布图，其中，(a)表示未经OTS处理的玻璃瓶，(b)表示OTS处理的玻璃瓶；

图8是本发明实施例提供在未经OTS处理和OTS处理的玻璃瓶中，经过机械冲击这一应力处理后的单抗溶液产生的亚可见颗粒的形态特征图，其中，(a)表示在未经OTS处理的玻璃瓶中，(b)表示在OTS处理的玻璃瓶中；

图9是本发明实施例提供可溶性IgG2的SE-HPLC谱图，其中，(a)表示未受应力的IgG2，(b)表示未经OTS处理的玻璃瓶中经过应力处理的IgG2，(c)表示OTS处理的玻璃瓶中经过应力处理的IgG2；

图10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

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。

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。

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。

本申请实施例提供了一种亚可见颗粒质控方法、系统、设备、计算机可读存储介质及其应用。其中，进行实现亚可见颗粒质控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，本申请在此不做限制。

请参阅图1，图1是本发明实施例提供的一种亚可见颗粒质控方法流程示意图。具体地，如图1所示的包括以下操作：

S101：获取生物制品的图像序列。

进一步，获取的生物制品的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图像序列。其中，由光学显微镜获取的图像序列采用显微镜的景深合成功能得到。

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、单克隆抗体、DNA重组产品、体外免疫诊断制品。

在一个实施例中，步骤S101还包括对获取的生物制品的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图像序列的全局信息，对获取的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。

S102：对图像序列中的图像分割得到图像中的亚可见颗粒。

在一些实施方案中，进行亚可见颗粒的分割采用下列方法中的任意一种或几种实现：区域生长算法、区域分裂合并算法、分水岭算法、U-Net++、SegNet、PSPNet、DeepLab、YOLO、SSD、Faster R-CNN、Mask R-CNN、ResNet。

区域生长算法是一种图像分割方法，从某个像素出发，按照一定准则逐步加入邻近像素，当满足一定的条件时，区域生长终止，进而实现目标的提取。区域分裂合并算法是从整幅图像出发，不断的分裂得到各个子区域，然后把前景区域合并，得到需要分割的前景目标，进而实现目标的提取。分水岭算法是根据图像的灰度值和形态学知识进行标记来确定对象区域。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。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。PSPNet是目前应用比较广泛的语义分割算法之一。DeepLab是一种语义分割网络模型。YOLO是一种实时目标检测算法，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。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。Faster R-CNN是一种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的分割网络模型。Mask R-CNN是双阶段实例分割算法中的后起之秀，分割精度高。ResNet通过引入残差连接来解决深度神经网络中的梯度消失问题。

在一些具体实施方案中，进行亚可见颗粒的分割还可以采用下列软件中的任意一种或几种实现：Efx FRAGMENTS、HORIZON、Nano Measurer、Nanoscope Analysis。

S103：对所述亚可见颗粒进行特征提取得到形态特征。

进一步，形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。其中，粒径是指亚可见颗粒的直径大小。强度是组成亚可见颗粒的像素的平均灰度值，等于灰度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。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。圆度描述的是颗粒的形状，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。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。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。透明度是评价亚可见颗粒透明程度的指标。球形度定义为标称表面积(与亚可见颗粒体积相同的球体表面积)与亚可见颗粒实际表面积的比值，通过计算颗粒体积的等效球直径/颗粒直径得到。

具体的，衡量亚可见颗粒的球形度指标，还包括下列指标中的任意一种或几种：面积球形度、直径球形度、圆比球形度、周长球形度、宽长比球形度。

在一个可选的实施方案中，形态特征包括粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。

在一个具体实施方案中，形态特征包括密实度、边缘梯度和/或粗糙度。

在一个具体的实施例中，形态特征包括下列特征中的任意一种或几种：亚可见颗粒的粒径、强度、密实度、圆度、边缘梯度、粗糙度、透明度、球形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。

在一个实施例中，边缘梯度作为进行亚可见颗粒质控的一个显著性特征。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，边缘梯度平均值为97.16±46.96。由此可见，随着粒径的增大，亚可见颗粒的分散度逐渐增加。

在一个实施例中，粗糙度作为进行亚可见颗粒质控的一个显著性形态特征。当亚可见颗粒的粒径在2μm-10μm时，其粗糙度中值为1.37；当亚可见颗粒的粒径在10μm-25μm时，其粗糙度中值为1.17；当亚可见颗粒的粒径在25μm-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，亚可见颗粒的粗糙度先减小后增大。

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、支持向量机等实现。其中，具体的算法包括Sobel算子、Prewitt算子、Canny算子、灰度共生矩阵、局部二值模式、Harris角点检测、Shi-Tomasi角点检测等。另外，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网络等。

其中，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。

进一步，步骤S103还包括基于步骤102对图像序列分割得到的亚可见颗粒，对亚可见颗粒进行特征提取得到形态特征和颜色特征。

其中，颜色特征用于映射得到亚可见颗粒的PH值，根据亚可见颗粒的PH值判断得到包括蛋白聚集体和/或抗体聚集体的亚可见颗粒的分类和识别结果。具体的，颜色特征通过提取颜色直方图、颜色矩颜色集、颜色聚合向量和/或颜色相关图等得到。

S104：将形态特征输入到应力溯源分析模型中，匹配所述应力溯源分析模型中的形态特征集得到聚集体产生原因。

在一个实施例中，应力溯源分析模型是基于生物制品在单一应力和/或N种应力场景下存在亚可见颗粒超标的图像序列中的亚可见颗粒形态特征建模得到。

进一步，应力包括下列应力中的任意一种：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

在一个具体的实施例中，应力溯源分析模型构建过程如图2所示的步骤：

S201：获取不同应力下生物制品的图像序列。

进一步，获取的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图像序列。

不同应力包括下列应力中的任意一种或几种：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

在一些实施例中，不同应力包括单一应力和/或N种应力。在一个优选的实施方案中，不同应力包括细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶在内的单一应力或N种应力，以及每种应力对应的应力强度。

在一个实施例中，获取的生物制品的图像序列还包括对获取的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图像序列的全局信息，对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。

S202：对图像序列中的图像进行分割得到亚可见颗粒，对亚可见颗粒进行特征提取得到不同应力下的亚可见颗粒形态特征集合。

其中，亚可见颗粒形态特征集合包括下列特征中的任意一种或几种：亚可见颗粒的粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。

S203：基于不同应力下的亚可见颗粒形态特征集合进行聚类分析得到不同应力下存在亚可见颗粒超标的形态特征集，根据形态特征集构建得到鉴定不同亚可见颗粒类型的应力来源的应力溯源分析模型。

其中，形态特征集包括不同应力下不同亚可见颗粒的特异性特征集。

在一个具体的实施例中，形态特征集包括下列特征：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、和/或球形度，以及相应的各个特征阈值。

在一些可选的实施方案中，应力溯源分析模型基于亚可见颗粒的质控标准构建得到。进一步，应力溯源分析模型的分型如图3所示，包括单一应力溯源分析模型、N种应力联合的溯源分析模型、基于不同生物制品的应力溯源分析模型和/或基于不同亚可见颗粒类型的应力溯源分析模型。

进一步，单一应力溯源分析模型根据下列应力中的任意一个应力场景：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶，根据其生物制品中亚可见颗粒形态特征集合构建得到。

在一个实施例中，基于搅拌这一应力展开单一应力溯源分析模型的构建。

在一个实施例中，基于机械冲击这一应力展开单一应力溯源分析模型构建。

在一个实施例中，基于振荡这一应力展开单一应力溯源分析模型的构建。

进一步，N种应力联合的溯源分析模型基于N种应力场景下存在亚可见颗粒超标的图像序列建模得到。其中，N种应力场景包括下列应力中的任意两种：细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

在一个实施例中，基于搅拌和机械冲击这N种应力建模分析。

在一个实施例中，基于机械冲击和振荡这N种应力进行建模分析。

进一步，基于不同生物制品的应力溯源分析模型是基于质控不同生物制品在不同应力下的图像序列进行构建得到。可选的，不同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、单克隆抗体、DNA重组产品、体外免疫诊断制品。

进一步，基于不同亚可见颗粒类型的应力溯源分析模型是基于质控不同亚可见颗粒类型在不同应力下产生的图像序列进行构建得到。其中，不同亚可见颗粒类型包括下列颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

再具体的，不同亚可见颗粒类型还包括基于不同亚可见颗粒的粒径大小进行分类得到的不同亚可见颗粒粒径大小(2μm-100μm)的类型。

再进一步，根据应力溯源分析模型对应的实质性溯源分析情况，应力溯源分析模型还可以分为：同一生物制品下不同亚可见颗粒类型的应力溯源分析模型；不同生物制品下同一亚可见颗粒类型的应力溯源分析模型。

更进一步，应力溯源分析模型的构建方案包括：基于不同应力场景下对生物制品中的亚可见颗粒进行溯源分析。不同应力场景包括下列应力中的任意一种或几种：机械冲击、细胞培养、搅拌、离心、过滤、高温、纯化、机械冲击、光照、超声、冻融、振荡、加热、配伍、复溶。

进一步，步骤S104还包括通过对形态特征中的亚可见颗粒的强度、密实度、圆度、边缘梯度、粗糙度、透明度、球形度以及由这些特征进一步计算得到的最大、最小、平均值、中值等基本特征进行统计分析，得到不同亚可见颗粒的粒径、数量和/或浓度等特征。

再进一步，步骤S104还包括通过对形态特征进行再学习得到具体亚可见颗粒类型，然后基于形态特征分别得到不同亚可见颗粒类型的形态特征，然后将其输入到应力溯源分析模型中，匹配所述应力溯源分析模型中的形态特征集得到聚集体产生原因。其中，不同亚可见颗粒类型包括下列颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

其中，再学习的目的是为了实现亚可见颗粒中与蛋白聚集体(包括自身蛋白)以及抗体聚集体之间的区分。在一个具体实施例中，对生物制品中不同眼内注射剂样品进行亚可见颗粒检测，得到大部分亚可见颗粒主要来自蛋白质和硅油，小部分亚可见颗粒来自气泡，样品中未发现玻璃碎片。从检测结果上来看，73.15±9.59％的亚可见颗粒来自蛋白聚集体。随着粒径的增大，蛋白聚集体所占比例逐渐降低。具体的，蛋白聚集体在2μm-10μm粒径区间中占76.68±9.70％，在10μm-25μm粒径区间中占52.55±28.43％，在>25μm的粒径区间中占28.61±25.60％。另外，蛋白聚集体在2μm-10μm粒径区间中占比的中位数为76.45％，在10μm-25μm粒径区间中占比的中位数为55.75％，在25μm-100μm粒径区间中占比的中位数为22.92％。其中，硅油在所有亚可见颗粒中占25.66±10.23％。当亚可见颗粒粒径为2μm-10μm时，硅油占23.32±9.70％。当亚可见颗粒粒径为10μm-25μm时，硅油占46.54±28.43％。当粒径为25μm-100μm时，硅油占31.55±27.89％。另外，气泡在颗粒中所占比例相对较小，占比为1.31±1.77％。由于气泡的形状较大，粒径<25μm的气泡很少，当粒径>25μm时，气泡所占比例为23.82±22.44％。

在一些实施方案中，通过对形态特征进行再学习得到不同亚可见颗粒类型，可以采用下列方法中的任意一种或几种实现：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。

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。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。

再进一步，在一些实施例中，该方法还包括对不同亚可见颗粒类型的考量。其中，不同亚可见颗粒包括下列颗粒中的任意一种或几种：硅油、玻璃碎片、气泡、纤维、蛋白聚集体、抗体聚集体。

在一个具体实施例中，上述方法还包括：

获取抗体注射剂和/或蛋白注射剂的图像序列；对所述图像序列中的图像分割得到图像中的亚可见颗粒；对所述图像中的亚可见颗粒进行特征提取得到形态特征；根据所述形态特征对所述亚可见颗粒进行分类得到抗体和/或蛋白聚集体；将所述分类得到抗体和/或蛋白聚集体的形态特征分别输入到抗体和/或蛋白聚集体应力溯源分析模型，得到抗体和/或蛋白聚集体产生原因。所述抗体和/或蛋白聚集体应力溯源分析模型基于冻融、振荡和/或热应力场景下的抗体注射剂和/或蛋白注射剂的图像序列中的亚可见颗粒进行特征提取得到形态特征，得到不同应力下的亚可见颗粒形态特征集合得到冻融、振荡和/或热应力场景下产生抗体和/或蛋白聚集体超标的特异性特征集。

本发明实施例提供的一种亚可见颗粒质控系统，其包括机器可读程序指令，当机器可读程序指令被执行时，实现上述亚可见颗粒质控方法。

在一些具体的实施方案中，如图4所示的是本发明实施例提供的亚可见颗粒质控系统模块连接示意图，其包括获取模块、图像分割模块、特征提取模块和特征匹配模块，各个模块依次实现生物制品中亚可见颗粒的质控和溯源分析。

S401：获取模块，用于获取生物制品的图像序列。

进一步，获取的生物制品的图像序列通过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得到。

再进一步，获取模块还包括对获取的生物制品的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。

S402：特征提取模块，用于对图像序列中的图像分割得到图像中的亚可见颗粒。

进一步，在一些实施方案中，分割采用下列模型中的任意一种或几种实现：区域生长算法、区域分裂合并算法、分水岭算法、U-Net++、SegNet、PSPNet、DeepLab v1/v2/v3/v3+、YOLO、SSD、Faster R-CNN、Mask R-CNN。

S403：特征提取模块，用于对图像中的亚可见颗粒进行特征提取得到形态特征。

在一些实施例中，形态特征包括下列特征中的任意一种或几种：粒径、强度、圆度、密实度、边缘梯度、粗糙度、透明度、球形度。

更进一步，特征提取模块还包括对图像中的亚可见颗粒进行特征提取得到形态特征和颜色特征。其中，颜色特征用于映射亚可见颗粒的PH值和蛋白结构，进而实现抗体和蛋白聚集体这两个蛋白聚集体的分类识别。

S404：特征匹配模块，用于将形态特征输入到应力溯源分析模型中，匹配应力溯源分析模型中的形态特征集得到聚集体产生原因，若匹配不成功，得到亚可见颗粒质控合格的结果。

再进一步，应力溯源分析模型的构建过程包括：

获取不同应力下生物制品的图像序列；

对图像序列中的图像进行分割得到亚可见颗粒，对亚可见颗粒进行特征提取得到不同应力下的亚可见颗粒形态特征集合；

基于不同应力下的亚可见颗粒形态特征集合进行聚类分析得到不同应力下存在亚可见颗粒超标的形态特征集，根据形态特征集构建得到鉴定不同亚可见颗粒类型的应力来源的应力溯源分析模型。

在一个具体实施例中，系统还包括获取模块、特征提取模块、溯源分析模块，各个模块依次连接实现抗体注射剂和/或蛋白注射剂的亚可见颗粒质控。

进一步，获取模块，用于获取抗体注射剂和/或蛋白注射剂的图像序列。

进一步，特征提取模块，用于对图像序列分割得到亚可见颗粒，对亚可见颗粒进行特征提取得到分类特征，根据分类特征对亚可见颗粒进行分类得到抗体和/或蛋白聚集体。

具体的，颜色特征用于映射亚可见颗粒的PH值和蛋白结构，进而实现抗体和蛋白聚集体这两个蛋白聚集体的分类识别。

进一步，溯源分析模块，用于将抗体和/或蛋白聚集体输入到蛋白质应力溯源分析模型，得到蛋白聚集体产生原因。

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。在一个具体实施例中，如图5所示，是本发明实施例提供的RANKL单抗不同应力下的亚可见颗粒质控图，抗RANKL单抗1表示的是未施加任何应力的单抗加到血清里的对照组，抗RANKL单抗2表示的是施加振荡应力的RANKL单抗加到血清里的实验组、抗RANKL单抗3表示的是将RANKL单抗摇匀加到血清里的实验组图中的Particles表示颗粒数。通过质检分析得，抗RANKL单抗1、抗RANKL单抗2、抗RANKL单抗3这三组的亚可见颗粒分布和免疫反应对应阴性对照倍数情况如下：亚可见颗粒粒径在2-5μm时，抗RANKL单抗1、抗RANKL单抗2、抗RANKL单抗3这三组的的颗粒浓度分别为8289个颗粒/mL、235068个颗粒/mL、340098个颗粒/mL，对应的免疫反应对应阴性对照倍数分别为5.27、5.85、8.97；亚可见颗粒粒径在5-10μm时，抗RANKL单抗1、抗RANKL单抗2、抗RANKL单抗3这三组的的颗粒浓度分别为1064个颗粒/mL、219627个颗粒/mL、63561个颗粒/mL，对应的免疫反应对应阴性对照倍数分别为5.27、5.85、8.97；亚可见颗粒粒径在10-25μm时，抗RANKL单抗1、抗RANKL单抗2、抗RANKL单抗3这三组的的颗粒浓度分别为219个颗粒/mL、208371个颗粒/mL、4127个颗粒/mL，对应的免疫反应对应阴性对照倍数分别为5.27、5.85、8.97；亚可见颗粒粒径在≥25μm时，抗RANKL单抗1、抗RANKL单抗2、抗RANKL单抗3这三组的的颗粒浓度分别为15个颗粒/mL、21471个颗粒/mL、89个颗粒/mL，对应的免疫反应对应阴性对照倍数分别为5.27、5.85、8.97。以上说明，亚可见颗粒浓度随着粒径的增大，数量逐渐较少，但经过施加振荡这一应力的RANKL单抗，其亚可见颗粒浓度在5-10μm、10-25μm、≥25μm这三个粒径区间的产生较大，产生的亚可见颗粒数量和/浓度超出标准，质控结果不合格，而摇匀这一应力对2-5μm这个粒径区间产生的影响较大，如果生物制品的质控标准需要控制在2-5μm，则不能进行摇匀、振荡这两个应力，特别是摇匀。

在方案实施过程中，基于流式成像显微镜可以在短时间内检测到大量亚可见颗粒，将流式成像技术与机器学习系统协作，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。研究发现不同样品的容器材料对亚可见颗粒的形式产生不同的影响。眼内注射剂中一般含有缓冲剂和表面活性剂。例如，蔗糖和海藻糖在冷冻过程中充当保护剂。聚山梨醇酯作为表面活性剂可以增强蛋白质的稳定性，减少蛋白质分子的聚集，增加蛋白质表面的润湿性，降低表面张力，促进冻干粉的再溶解，易于制备硅油，但会产生更多的蛋白聚集体，此外，眼内注射剂的pH值可能会改变蛋白质与界面之间的相互作用。研究中所有样品均采用中性硼硅酸盐玻璃瓶，瓶塞多为氯化丁基橡胶塞，外覆聚乙烯和四氟乙烯，小部分使用氯化丁基橡胶瓶塞，瓶塞上通常涂上一层硅油，以起到包裹、减少表面摩擦的作用。但在硅化过程中，硅油的量无法准确控制，并且运输中硅油下降。

在一些具体实施例中，基于生物制品生命周期阶段(即生产、存储、运输和使用)中的不同应力进行亚可见颗粒的质控和应力溯源分析。在考察亚可见颗粒的形成机理时，基于生物制品的生命周期阶段展开：由储存中冻融产生的疏水界面吸附、缓冲盐析出，运输过程中振荡引起的气蚀、疏水界面吸附，使用过程中配伍引起的PH值变化，以及冻干分复溶中引起的疏水界面吸附，纯化过程中导致的PH值变化，高温过程中的变性，离心、过滤中的剪切力、搅拌过程中的疏水界面吸附、细胞培养中的离子程度、PH值变化等。

在基于机械冲击这一应力展开的具体实施例中，IgG

在一个实施例中，基于离心、过滤、机械冲击应力这一应力场景下的溯源分析，使用FlowCAM测量机械冲击应力处理后玻璃瓶中直径≥2μm以上的颗粒浓度及形态参数。将来自玻璃瓶中的300μL的样品注入流通池中，流速为0.2mL/min，使用超高速相机连续观察和统计直径≥2μm以上的亚可见颗粒数。每个样品测试之间，使用0.22μm聚醚砜(PES)材质的滤膜过滤后的去离子水和Tergazyme酶清洗流通池，在每个样品测样前须用去离子水冲洗干净。

在一个实施例中，SE-HPLC结果显示IgG2单体的出峰时间约为10.6min，在未经OTS处理和OTS处理的两种玻璃瓶中在机械冲击这一应力处理后的蛋白质出峰时间与IgG2单体一致，并且没有出现可溶性寡聚体的峰，单体含量也没有明显地损失，剩余的单体含量接近100％(图9)，说明机械冲击这一应力对可溶性蛋白质单体及寡聚体无影响，在进行可溶性蛋白质单体及寡聚体的生产、运输及使用时，不必过于考虑机械冲击这一应力的影响。图9是本发明实施例提供可溶性IgG2的SE-HPLC谱图，其中，(a)表示未受应力的IgG2，(b)表示未经OTS处理的玻璃瓶中经过应力处理的IgG2，(c)表示OTS处理的玻璃瓶中经过应力处理的IgG2；使用SE-HPLC测定机械应力处理前后玻璃瓶中的可溶性IgG2单体的含量及可溶性聚集体。将含IgG2的样品在20000g的条件下离心10min，以去除不溶性聚集体，取上清液进行分析。使用保护柱和G3000SWxL柱；流动相为0.1mol/L硫酸钠、0.05mol/L磷酸二氢钠、0.05mol/L磷酸氢二钠；流速为0.8mL/min；检测波长为280nm；采集时间为20min。为了量化可溶性蛋白质的水平，与单峰下的总面积进行比较。

在一个实施例中，基于疏水界面吸附这一亚可见颗粒形成机理展开分析。由于IgG2与疏水表面强的疏水相互作用，发现了疏水表面在一定应力范围内可以抵抗流体剪切力诱导的IgG2聚集体的产生。这表明疏水表面也有可作为内包材的涂层，保护蛋白质这一生物制品免受机械应力诱导的蛋白聚集体的产生。

由于蛋白质与疏水表面强的疏水相互作用，在本文使用的机械应力条件下，吸附在疏水表面上的蛋白质很难脱附下来，所以在OTS玻璃瓶中，经过应力刺激的蛋白质溶液检测出的蛋白聚集体含量低。因此，OTS处理的疏水表面在一定的应力作用范围内可有效抑制IgG2分子的聚集。

将上述方法用于亚可见颗粒质控是可行性的，表明生物制品生命周期阶段通过不同的应力场景构建应力溯源分析模型，能够降低检测成本、提升研究效率，分析并通过有效措施减少亚可见颗粒的生成，推动其向临床个性化治疗的快速转化，使得本申请在应用于亚可见颗粒质控的生物制品辅助分析和规范化标准化操作方面更有利。

图10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，主要用于进行眼内注射剂的亚可见颗粒质控分析。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10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，实现上述的亚可见颗粒质控方法。

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。

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。

在本申请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。

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。

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。

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，RandomAccess 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。

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。

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。