对HEK293过程进行深度混合建模:将长期短期记忆网络与第一原理方程结合起来
João R C Ramos1, José Pinto1, Gil Poiares-Oliveira1
1LAQV-REQUIMTE, Department of Chemistry, NOVA School of Science and Technology, NOVA University Lisbon, Caparica, Portugal.
Biotechnology and bioengineering
|February 12, 2024
概括
本研究介绍了一种混合深度学习模型,将长短期记忆 (LSTM) 网络和生物过程数字化物理方程结合起来. 混合LSTM模型准确预测人类胚胎脏293 (HEK293) 培养动态,优于传统模型.
科学领域:
- 生物技术和生物工艺工程
- 计算生物学和生物信息学
- 生命科学中的人工智能
背景情况:
- 生物工艺数字化需要精确建模复杂的细胞动态.
- 将物理定律与数据驱动方法相结合,为增强生物过程理解和控制提供了一个有希望的途径.
- 人类胚胎脏293 (HEK293) 细胞培养在生物制药生产中至关重要,需要精确的监测.
研究的目的:
- 在混合工作流中研究长短期记忆 (LSTM) 网络和第一原理方程的新组合.
- 为了建模和预测人类胚胎脏293 (HEK293) 细胞培养的动态.
- 将混合LSTM模型的性能与经典混合Feedforward神经网络 (FFNN) 模型进行比较.
主要方法:
- 开发和评估784个混合模型,将LSTM网络与动态物质平衡方程集成在一起.
- 利用来自20个养批次HEK293培养的实验数据,测量了27个细胞外状态变量.
- 采用适应时刻估计与随机规范化和交叉验证用于深度学习模型培训和评估.
主要成果:
- 混合LSTM模型在混合FFNN模型中表现出优越的性能,表现出较低的训练和测试错误.
- 与FFNN模型相比,基于LSTM的混合模型在数据重新采样方面显示出更高的稳定性.
- 性能最高的混合模型,采用连接动态物质平衡方程的七态LSTM,在10天内准确预测了27个状态变量 (R2 = 0.93).
结论:
- 混合LSTM-物理方程方法代表了生物过程数字化和细胞培养动态的准确预测的强大方法.
- 混合LSTM模型提供了比传统的FFNN基混合模型更可靠的生物过程监测预测能力.
- 这种综合方法为工业生物工艺开发中的先进控制策略提供了基础.
