可解释的深度学习增强了对染色体蛋白质的强大可靠实时监测 A 捕获步骤

科学领域:

• 生物制药制造业 生物制药制造业
• 过程分析技术 (PAT) 是一种分析技术.
• 数据科学在生物处理中的应用

背景情况:

• 基于模型的实时监测对于生物制药生产中的质量按设计 (QbD) 和模型预测控制至关重要.
• 数据驱动模型为生物过程建模提供了可行的方法,要求高精度,稳定性和可靠性.
• 确保模型性能需要高质量的数据,先进的算法,以及对输入-输出关系的彻底描述.

研究的目的:

• 评估各种数据驱动模型在蛋白质A色谱化过程中关键过程变量的预测准确度.
• 评估复杂模型的可靠性和可解释性,例如卷积神经网络集.
• 在系统测量错误条件下开发评估模型性能的工作流程.

主要方法:

• 应用多种数据驱动的建模技术来预测单克隆抗体 (mAb) 度,DNA度,宿主细胞蛋白质 (HCP) 度和高分子量 (HMW) 杂质.
• 使用基于 permutation/occlusion 的方法来解释卷积神经网络集中的依赖关系.
• 开发和应用工作流来模拟和评估在传感器污染或故障事件期间的模型行为.

主要成果:

• 数据驱动的模型实现了高的预测准确性:正常化根平均平方误差 (NRMSE) <4%的mAb度和≈10%的DNA,HCP和HMW杂质.
• 模型衍生的依赖通常与第一原则保持一致,增加了对其可靠性的信心.
• 提出了一个强大的工作流程,用于在潜在的测量错误场景下评估模型性能.

结论:

• 数据驱动型号显示了生物制药制造业实时监测和控制的巨大潜力.
• 模型可解释性方法证实,学习的依赖性与科学理解一致,增强了信任.
• 拟议的工作流支持数据驱动模型的可靠实施,即使存在过程变化和传感器问题.