Procesos Gaussianos para Modelado Predictivo QSAR de Procesos Cromatográficos

Área de la Ciencia:

• Fabricación biofarmacéutica
• Ingeniería Química
• Química Computacional

Sus antecedentes:

• La cromatografía es esencial para la purificación de proteínas en la producción biofarmacéutica.
• El diseño y la optimización de procesos actuales son complejos y consumen mucho tiempo debido a los extensos espacios de diseño.
• Las demandas del mercado requieren marcos de desarrollo de procesos más rápidos, eficientes y generalizados.

Objetivo del estudio:

• Introducir los procesos gaussianos (GP) como una metodología de aprendizaje automático para el modelado predictivo en cromatografía.
• Evaluar el rendimiento de los GP para la selección de resinas y condiciones de solvente en el modelado de relaciones cuantitativas estructura-actividad (QSAR).
• Demostrar la utilidad de los GP para la optimización asistida por modelos y la interpretabilidad en el desarrollo de bioprocesos.

Principales métodos:

• Aplicación de procesos gaussianos para el modelado predictivo en cromatografía.
• Modelado de relaciones cuantitativas estructura-actividad (QSAR) para la selección de resinas y condiciones de solvente.
• Análisis comparativo del poder predictivo de los GP frente a otros algoritmos de aprendizaje automático.
• Derivación de importancias de características de los modelos GP.

Principales resultados:

• Los procesos gaussianos demuestran un poder predictivo comparable a otros algoritmos líderes de aprendizaje automático.
• Los GP proporcionan estimaciones de confianza cruciales para las predicciones, lo que permite la optimización asistida por modelos.
• Las importancias de las características se pueden derivar de los GP, ofreciendo una interpretabilidad similar a los bosques aleatorios.

Conclusiones:

• Los procesos gaussianos presentan un marco robusto y eficiente para el diseño y la optimización de procesos de cromatografía biofarmacéutica.
• Las capacidades de interpretabilidad y estimación de confianza de los GP mejoran su idoneidad para el desarrollo de bioprocesos complejos.
• Este enfoque de aprendizaje automático puede acelerar la comercialización de biofarmacéuticos.