• 장 Y.-HP
• et al.

바이오제조: 역사와 관점.

J. Ind. Microbiol. 생명공학. 2017; 44: 773-784

• 아머 B.
• 바이두 EEK

산업용 애플리케이션을 위한 오믹스 기반 생명공학.

앞. Bioeng. Biotechnol. 2021; 9613307

• 사무디 M.
• et al.

omics에서 포유류 세포 공장 개발의 세포 메커니즘에 이르기까지.

Curr. 의견 화학 영어 2021; 32100688

• 스톨파 G.
• et al.

CHO-omics 검토: 중국 햄스터 난소 기반 생물 생산에 대한 현재 및 신흥 기술의 영향.

생명공학. 제이. 2018; 13e1700227

• 헤프지 H.
• 루이스 NE

포유류 세포의 대사 공학에서 무작위 돌연변이 유발에서 시스템 생물학에 이르기까지.

제약. 바이오 프로세스. 2014; 2: 355-358

• 시옹 K.
• et al.

포유류 세포를 위한 최적화된 전체 게놈, 바이러스 없는 CRISPR 스크린.

세포 대표 방법. 2021; 1100062

• Karottki KJ 라 C.
• et al.

중국 햄스터 난소 세포의 대사 CRISPR-Cas9 스크린은 글루타민에 민감한 유전자를 식별합니다.

메타브. 영어 2021; 66: 114-122

• 슈미더 V.
• et al.

쌍을 이룬 gRNA를 사용하여 중국 햄스터 난소 세포에서 게놈 결실을 유도하는 풀링된 CRISPR/AsCpf1 스크린.

생명공학. (Amst). 2021; 31e00649

• 바우어 N.
• et al.

배열된 CRISPR 화면은 내 C CHO 세포에서 발현하기 어려운 복합 항체의 생산성을 높이기 위한 고갈.

신디사이저 바이올. 2022; 7: ysac026

• 크레츠머 C.
• et al.

CHOZN® GS 게놈의 De novo 어셈블리 및 주석은 고처리량 게놈 규모 스크리닝을 지원합니다.

생명공학. 바이오엔. 2022; 119: 3632-3646

• 아티에니티 E.
• 스파이루 GM

번역 의학을 위한 다중 오믹스 데이터 수집 및 통합 가이드.

계산 구조. 생명공학. 제이. 2023; 21: 134-149

• 클링글러 F.
• et al.

CHO 표면체 공개: 세포 표면 단백질의 식별은 세포 응집 관련 메커니즘을 밝힙니다.

생명공학. 바이오엔. 2021; 118: 3015-3028

• 제라벡 T.
• et al.

CHO 세포 공학을 위한 새로운 서브오믹스 기술의 잠재력.

바이오 테크 놀. Adv. 2022; 59107978

• 콜 S.
• et al.

Multiplex secretome 엔지니어링은 재조합 단백질 생산 및 순도를 향상시킵니다.

Nat. 코뮌. 2020; 11: 1908

• 발렌테 KN
• et al.

생물 약제 제조에서 CHO 숙주 세포 단백질 특성화를 위한 단백질체학 방법의 응용.

커 의견. 생명공학. 2018; 53: 144-150

• 루이스 NE
• et al.

유전자 발현 프로파일링 및 분석을 위한 Escherichia coli의 게놈 규모 in silico 모델 사용: 콘텐츠에 대한 컨텍스트 제공.

J. Bacteriol. 2009; 191: 3437-3444

• 구티에레즈 JM
• 루이스 NE

시스템 생명 공학 및 게놈 규모 모델링을 통해 단백질 생산을 위한 진핵 세포 숙주 최적화.

생명공학. 제이. 2015; 10: 939-949

• 루 J.
• et al.

포괄적인 게놈 규모의 대사 모델에 의해 구동되는 실리코 세포 공장 설계: 개발 및 과제.

시스템 미생물. 바이오매뉴팩트. 2022; (22년 2022월 XNUMX일 온라인 게시)

• 루이스 NE
• et al.

in silico 방법의 계통 발생을 사용하여 대사 유전자형-표현형 관계를 제한합니다.

Nat. 마이크로바이올 목사. 2012; 10: 291-305

• 하이듀크 DR
• et al.

게놈 규모의 대사 모델을 사용한 omics 데이터 분석.

몰. 바이오시스트. 2013; 9: 167-174

• 황 Z.
• 윤 S.

통합 transcriptomics 및 게놈 규모 대사 모델을 통해 CHO 세포의 생산성 향상을 위한 대사 기능 및 엔지니어링 목표 식별.

바이오켐. 영어 제이. 2020; 159107624

• M. 락쉬마난
• et al.

CHO 부모 숙주의 Multi-omics 프로파일링은 생물공정 특성의 세포주별 변이를 나타냅니다.

생명공학. 바이오엔. 2019; 116: 2117-2129

• 황 Z.
• et al.

게놈 규모 모델링 및 경로 분석을 통한 CHO 세포 생산성 향상: 사료 보충제에 적용.

바이오켐. 영어 제이. 2020; 160107638

• 풀라디하 H.
• et al.

단클론 항체 생산을 증가시키기 위해 CHO 세포에 대한 공급 전략을 개발하기 위한 대사 네트워크 기반 접근법.

바이오프로세스 바이오시스. 영어 2020; 43: 1381-1389

• 황 D.
• et al.

게놈 규모 플럭스 균형 분석에 의한 대사 억제제 제어를 위한 영양소 전구체의 조절.

생명공학. 음식물. 2022; (11년 2022월 XNUMX일 온라인 게시)

• 옵담 S.
• et al.

게놈 규모의 대사 모델을 조정하는 방법에 대한 체계적인 평가.

셀 시스템 2017; 4: 318-329.e6

• 고팔라크리슈난 S.
• et al.

유전자 발현 데이터를 사용하여 생물학적으로 관련된 상황별 대사 모델을 추출하기 위한 지침.

메타브. 영어 2023; 75: 181-191

• 장 C.
• 후아 Q.

생명 공학 및 시스템 의학에서 게놈 규모 대사 모델의 응용.

앞. Physiol. 2015; 6: 413

• 레먼 JA
• et al.

게놈 규모에서 대사 및 유전자 산물 발현을 모델링하기 위한 인실리코 방법.

Nat. 코뮌. 2012; 3: 929

• 다할 S.
• et al.

프로테옴 할당의 게놈 규모 모델링의 최근 발전.

커 의견. 시스템 바이올. 2021; 26: 39-45

• 구티에레즈 JM
• et al.

포유류 분비 경로의 게놈 규모 재구성은 대사 비용과 단백질 분비의 한계를 예측합니다.

Nat. 코뮌. 2020; 11: 68

• 페이지 A.
• et al.

효모에서 단백질 분비 기계의 게놈 규모 모델링.

PLoS One. 2013; 8e63284

• Schinn S.-M.
• et al.

게놈 규모의 대사 네트워크 모델과 기계 학습은 중국 햄스터 난소 세포 배양에서 아미노산 농도를 예측합니다.

생명공학. 바이오엔. 2021; 118: 2118-2123

• 키리아코풀로스 S.
• et al.

포유류 세포 배양 생물공정의 운동학적 모델링: 생물제조를 발전시키기 위한 탐구.

생명공학. 제이. 2018; 13e1700229

• 박S.-Y.
• et al.

첨단 바이오제조를 위한 포유류 세포 배양의 바이오프로세스 디지털 트윈.

Curr. 의견 화학 영어 2021; 33100702

• 알름퀴스트 J.
• et al.

산업 생명공학의 키네틱 모델 - 세포 공장 성능 개선.

메타브. 영어 2014; 24: 38-60

• 호슬러 P.
• et al.

포유류 세포에서 N-글리칸 처리의 시스템 분석.

PLoS One. 2007; 2e713

• 스타치 CS
• et al.

중국 햄스터 난소 세포에서 N-결합 글리코실화의 모델 기반 엔지니어링.

ACS 신스. Biol. 2019; 8: 2524-2535

• 쉬 J.
• et al.

단기 배양 및 동역학 모델링을 기반으로 중국 햄스터 난소 세포에 대한 온도 변화 전략의 체계적인 개발.

MAb. 2019; 11: 191-204

• 벤 야히아 B.
• et al.

세포 성장, 대사 및 단클론 항체 생산의 예측 거시적 모델링: CHO 유가 생산의 사례 연구.

메타브. 영어 2021; 66: 204-216

• 클라크 C.
• et al.

중국 햄스터 난소 세포 'omics 데이터 마이닝을 위한 통계적 방법: 차등 발현에서 생물학적 시스템의 통합 다단계 분석까지.

제약. 바이오 프로세스. 2014; 2: 469-481

• M. 모브레이
• et al.

생화학 공학을 위한 기계 학습: 리뷰.

바이오켐. 영어 제이. 2021; 172108054

• 안토나쿠디스 A.
• et al.

빅 데이터 시대: 게놈 스케일 모델링과 머신 러닝의 만남

계산 구조. 생명공학. 제이. 2020; 18: 3287-3300

• 알든 N.
• et al.

Metabolomics를 사용하여 중국 햄스터 난소 세포 기반 생물 공정에 대한 성장 억제의 세포주 독립적 지표를 식별합니다.

대사 산물. 2020; 10: 199

• 바베리 G.
• et al.

대사체학 역학에 대한 머신 러닝을 통한 바이오프로세스 규모 확장에서 예상되는 세포주 선택.

IFAC-PapersOnLine. 2021; 54: 85-90

• 바베리 G.
• et al.

대사체 역학 및 공정 데이터를 통합하여 생물약제 공정 개발에서 세포주 선택을 안내합니다.

메타브. 영어 2022; 72: 353-364

• 헤프너 K.
• et al.

확장된 중국 햄스터 장기 및 세포주 프로테오믹스 프로파일링은 조직별 기능을 나타냅니다.

Sci. 대표. 2020; 10: 15841

• 버지 JD
• et al.

차이니즈 햄스터 난소 세포 지질 대사의 공학은 확장된 ER 및 강화된 재조합 바이오치료 단백질 생산을 초래합니다.

메타브. 영어 2020; 57: 203-216

• 토레스 M.
• et al.

스핀 튜브 반응기를 사용하여 다양한 작업 부피 및 교반 속도에서 차이니즈 햄스터 난소 세포 배양의 대사 프로파일링.

생명공학. 음식물. 2021; 37e3099

• 린 디
• et al.

CHOmics: CHO 세포주에서 다중 오믹스 데이터 분석 및 대화형 시각화를 위한 웹 기반 도구입니다.

플로스컴퓨팅. 바이올. 2020; 16e1008498

• 디만 H.
• et al.

중국 햄스터 난소 세포주의 에너지 대사 및 미토콘드리아에 관여하는 유전자에 걸친 유전적 및 후성유전적 변이.

생명공학. 제이. 2019; 14e1800681

• 추다리 KS
• et al.

XNUMX가지 XNUMX성분 시스템에 대한 규제 모드 설명 대장균 새로운 관계를 드러냅니다.

엠시스템즈. 2020; 5e00980-20

• 허틀린 엘
• et al.

인간 상호 작용의 아키텍처는 단백질 커뮤니티와 질병 네트워크를 정의합니다.

자연. 2017; 545: 505-509

• 여HC
• et al.

결합된 다변량 통계 및 플럭스 균형 분석은 중국 햄스터 난소 세포 배양의 성장 및 생산성에 대한 배지 병목 현상을 밝혀냅니다.

생명공학. 바이오엔. 2022; 119: 1740-1754

• 야오 지.
• et al.

중국 햄스터 난소(CHO) 세포 생산성을 높이기 위한 대사체학 접근법.

대사 산물. 2021; 11: 823

• 딩 MQ
• et al.

표적 치료를 넘어선 정밀 종양학: omics 데이터와 기계 학습을 결합하여 대부분의 암세포를 효과적인 치료법과 일치시킵니다.

몰. 암 입술. 2018; 16: 269-278

• 탄 K.
• et al.

범암 임상 결과 종점 예측을 위한 다중 오믹스 감독 오토인코더.

비엠씨메드 알리다. 결정. 막. 2020; 20: 129

• 이압
• et al.

CHO 세포 배양 시스템의 Multi-omics 프로파일링은 배양 pH가 세포 성장, 항체 역가 및 제품 품질에 미치는 영향을 해명합니다.

생명공학. 바이오엔. 2021; 118: 4305-4316

• 차니 I.
• et al.

다중 단일 세포 RNA-seq를 사용하여 중국 햄스터 난소 세포에서 ER 스트레스에 대한 전사 반응 이해.

바이오Rxiv. 2022; (31년 2022월 XNUMX일 온라인 게시)

• 아이바 S.
• et al.

SCENIC: 단일 셀 규제 네트워크 추론 및 클러스터링.

Nat. 행동 양식. 2017; 14: 1083-1086

• 진 T.
• et al.

scGRNom: 세포 유형 질병 유전자 및 규제 네트워크를 예측하기 위한 통합 다중 오믹스 분석의 전산 파이프라인.

게놈 메드. 2021; 13: 95

• 키넌 AB
• et al.

ChEA3: 직교 오믹스 통합에 의한 전사 인자 농축 분석.

Nucleic Acids Res. 2019; 47: W212-W224

• 크라머 A.
• et al.

Ingenuity Pathway Analysis의 인과 분석 접근법.

생물 정보학. 2014; 30: 523-530

• 슈클라르치크 D.
• et al.

2021년 STRING 데이터베이스: 맞춤형 단백질-단백질 네트워크, 사용자가 업로드한 유전자/측정 세트의 기능적 특성화.

Nucleic Acids Res. 2021; 49: D605-D612

• 황 JK
• et al.

질병 유전자 발견을 위한 분자 네트워크의 체계적 평가.

셀 시스템 2018; 6: 484-495.e5

• 장 QC
• et al.

PrePPI: 단백질-단백질 상호 작용의 구조 정보 데이터베이스.

Nucleic Acids Res. 2013; 41: D828-D833

• 치앙 AWT
• et al.

타고난 면역을 조작하여 CHO 세포의 바이러스 오염 물질 퇴치.

Sci. 대표. 2019; 9: 8827

• 쿠오 C.-C.
• et al.

분비 경로의 조절 장애는 알츠하이머병 유전학과 응집체 형성을 연결합니다.

셀 시스템 2021; 12: 873-884.e4

• 스리유드삭 K.
• et al.

대사체 시계열 데이터를 사용한 대사 반응 시스템의 수학적 모델링 및 동적 시뮬레이션.

앞쪽. 몰. 생명과학. 2016; 3: 15

• 사아 PA
• 닐슨 LK

실현 가능하고 정확한 신진대사 동역학 모델 구축: 베이지안 접근법.

Sci. 대표. 2016; 6: 29635

• 거빅 D.
• et al.

식물 XNUMX차 대사의 안정성 패턴에 대한 체계적인 분석.

PLoS One. 2012; 7e34686

• 안드레오지 S.
• et al.

iSCHRUNK–게놈 규모 대사 네트워크의 동역학 모델에서 특성화 및 불확실성 감소에 대한 인실리코 접근법.

메타브. 영어 2016; 33: 158-168

• 스리다라 V.
• et al.

내부 대사 플럭스로부터 성장 조건 예측 인실리코 ~의 모형 E. 대장균.

PLoS One. 2014; 9e114608

• 장 J.
• et al.

트립토판 대사의 예측 엔지니어링 및 최적화를 위한 기계 및 기계 학습 모델을 결합합니다.

Nat. 코뮌. 2020; 11: 4880

• 나는 흔들렸다.
• et al.

약물 부작용의 대사 네트워크 예측.

셀 시스템 2016; 2: 209-213

• 나라야난 H.
• et al.

기계 학습에 기반한 하이브리드 모델 및 증가하는 공정 지식: 세포 배양 공정에 적용.

ENG. 화학 입술 2022; 61: 8658-8672

• A. 초파노글루
• 델 발 IJ

하이브리드 모델링 시대로 이동: 업스트림 제약 바이오프로세스를 위한 기계적 모델과 데이터 기반 모델을 결합할 때의 장점과 과제.

Curr. 의견 화학 영어 2021; 32100691

• 코티디스 P.
• 콘토라브디 C.

단백질 글리코실화 예측을 위한 인공 신경망의 잠재력 활용.

메타브. 영어 통신 2020; 10e00131

• 코티디스 P.
• et al.

CHO 세포 배양에서 항체 갈락토실화의 모델 기반 최적화.

생명공학. 바이오엔. 2019; 116: 1612-1626

• 잠피에리 G.
• et al.

기계 및 딥 러닝은 게놈 규모의 대사 모델링을 만납니다.

플로스컴퓨팅. 바이올. 2019; 15e1007084

• 리첼 A.
• et al.

omics 데이터를 사용한 포유류 세포 대사 기능의 모델 기반 평가.

세포 대표 방법. 2021; 1100040

• 리첼 A.
• et al.

생화학 네트워크에서 transcriptomic 데이터 통합을 위한 주요 결정 평가.

플로스컴퓨팅. 바이올. 2019; 15e1007185

• 마르크스 N.
• et al.

세포를 훈련시키는 방법 – 차이니즈 햄스터 난소 생산 세포주의 후생유전체를 활용하여 표현형을 제어합니다.

바이오 테크 놀. Adv. 2022; 56107924

• 톰자크 K.
• et al.

Cancer Genome Atlas(TCGA): 헤아릴 수 없는 지식의 원천.

경멸 온콜. 2015; 19: A68-A77

• 국제 암 게놈 컨소시엄
• et al.

암 게놈 프로젝트의 국제 네트워크.

자연. 2010; 464: 993-998

• ENCODE 프로젝트 컨소시엄

인간 게놈의 DNA 요소에 대한 통합 백과사전.

자연. 2012; 489: 57-74

• 루오 Y.
• et al.

ENCODE(Encyclopedia of DNA Elements) 데이터 포털의 새로운 개발.

Nucleic Acids Res. 2020; 48: D882-D889

• 골랍기르 A.
• et al.

새로운 메타 분석 워크플로우를 사용하여 중국 햄스터 난소 바이오프로세스 라이브러리에서 정량적 특징 추출.

바이오 테크 놀. Adv. 2016; 34: 621-633

• 김후
• et al.

미생물의 대사 플럭스 분석 및 대사 공학.

몰. 바이오시스트. 2008; 4: 113-120

• 틸레 I.
• Palsson B.O.

고품질 게놈 규모의 대사 재구성을 생성하기 위한 프로토콜.

Nat. 프로토 타입 2010; 5: 93-121

• 구 C.
• et al.

게놈 규모 대사 모델의 현재 상태 및 응용.

게놈 바이오. 2019; 20: 121

• 에드워즈 JS
• 팔슨 보

의 시스템 속성 인플루엔자 균 Rd 대사 유전자형.

J. Biol. Chem. 1999; 274: 17410-17416

• 에드워즈 JS
• 팔슨 보

XNUMXD덴탈의 대장균 Silico 대사 유전자형의 MG1655: 그 정의, 특성 및 기능.

Proc. Natl. Acad. Sci. 미국 2000; 97: 5528-5533

• 푀르스터 J.
• et al.

게놈 규모의 재구성 Saccharomyces cerevisiae의 대사 네트워크.

게놈 해상도 2003; 13: 244-253

• 헨리 CS
• et al.

iBsu1103: SEED 주석을 기반으로 하는 Bacillus subtilis의 새로운 게놈 규모 대사 모델.

게놈 바이오. 2009; 10: R69

• 그는 M.
• et al.

fengycin 생산을 촉진하기 위해 게놈 규모의 대사 모델을 기반으로 한 대사 공학.

3 생명공학. 2021; 11: 448

• 테론 CW
• et al.

Komagataella (Pichia) pastoris에 의한 재조합 단백질 생산 최적화에 대사 모델링 및 인구 이질성 분석을 통합합니다.

Appl. 미생물. Biotechnol. 2018; 102: 63-80

• 두아르테 NC
• et al.

게놈 및 서지 데이터를 기반으로 한 인간 대사 네트워크의 글로벌 재구성.

Proc. Natl. Acad. Sci. 미국 2007; 104: 1777-1782

• 헤프지 H.
• et al.

중국 햄스터 난소 세포 대사의 컨센서스 게놈 규모 재구성.

셀 시스템 2016; 3: 434-443.e8

• 노르웨이 CJ
• et al.

BiGG 모델 2020: 다중 계통 게놈 규모 모델 및 계통수 전체에 걸친 확장.

Nucleic Acids Res. 2020; 48: D402-D406

• 팡X.
• et al.

silico에서 유기체 재구성: 게놈 규모 모델 및 이의 새로운 응용.

Nat. 마이크로바이올 목사. 2020; 18: 731-743

• 이슬람 MM
• et al.

신진대사의 운동학적 모델링: 현재와 미래.

커 의견. 시스템 바이올. 2021; 26: 72-78

• 섀넌 P.
• et al.

Cytoscape: 생체 분자 상호 작용 네트워크의 통합 모델을 위한 소프트웨어 환경입니다.

게놈 해상도 2003; 13: 2498-2504