基于机器学习的模型,用于细胞培养过程的预测控制器设计

科学领域:

• 生物制药制造业 生物制药制造业
• 生物工艺工程 生物工艺工程
• 控制系统 控制系统

背景情况:

• 生物制药生产需要优化可靠性和成本效益的关键质量属性.
• 可扩展和最佳的控制策略对于满足细胞培养过程约束和目标至关重要.
• 现有的基于物理的模型往往缺乏复杂的细胞培养过程的高保真性.

研究的目的:

• 通过使用模型预测控制器 (MPC) 为料批细胞培养过程开发最佳的养策略.
• 为了最大限度地提高细胞生长和代谢物生产,特别是每天的蛋白质产量.
• 将机器学习算法集成到MPC中,以改善预测和控制.

主要方法:

• 使用模型预测控制器 (MPC) 来计算最佳养策略.
• 为预测模型使用了机器学习算法,包括线性回归,高斯过程和神经网络.
• 开发了基于真实细胞培养过程数据的线性和非线性模型.
• 通过实时实验评估控制器性能.

主要成果:

• MPC成功计算出一个最佳的养策略,以最大限度地提高细胞生长和代谢物生产.
• 机器学习模型有助于开发复杂的细胞培养动态的高可靠性预测模型.
• 控制方案保持所有代谢物和工艺变量在特定限制内.
• 实时实验验证了设计的控制器的有效性.

结论:

• 与机器学习集成的模型预测控制为优化料批细胞培养过程提供了有效的策略.
• 这种方法通过最大限度地提高蛋白质产量和确保过程稳定性来增强生物制药生产.
• 开发的模型和控制方案为提高生物制药制造的可靠性和成本效益提供了可扩展的解决方案.