机器学习在生物反应器扩展中的视角驱动和技术评估:对潜在模型开发的案例研究

科学领域:

• 生物制药制造业 生物制药制造业
• 工艺工程是过程工程.
• 计算生物学是一种计算生物学.

背景情况:

• 生物反应器扩展是生物制药行业的一个关键挑战,影响了过程开发和效率.
• 传统的扩展战略往往缺乏稳定性,需要创新的方法来实现可靠的跨规模流程传输.
• 数字化转型为通过先进的建模技术优化生物工艺开发提供了新的途径.

研究的目的:

• 评估机器学习 (ML) 算法的生物反应器扩展应用,重点预测关键扩展参数.
• 确定开发有效的ML模型的关键因素,以扩大生物工艺的规模.
• 评估ML在提高预测细胞生长和生物反应器系统中的缩放参数方面的潜力.

主要方法:

• 从文献和公共来源收集的数据用于生物反应器扩大规模的研究,涉及中国汉姆斯特卵巢 (CHO) 细胞生成的单克隆抗体 (mAb) 产品.
• 开发了无监督和监督的ML模型,包括嵌入层的人工神经网络.
• 进行了案例研究,分析了细胞生长和尺度敏感生物反应器特征之间的关系.

主要成果:

• 在各种规模的生物反应器性能中确定了相似之处和差异,特别是在小规模和大规模系统之间.
• 嵌入层通过捕捉过程相似性,显著提高了人工神经网络模型对大规模细胞生长的预测能力.
• 开发了能够预测关键扩展参数的ML模型,证明了ML在协助扩展过程中的实用性.

结论:

• 机器学习算法提供了一种强大的工具,可以增强生物反应器扩展战略在生物制药行业.
• 开发的ML模型可以预测细胞生长和缩放参数,促进更有效的过程开发.
• 未来的进步需要更大,更多样化的数据集,在各种操作条件下进行全面的表征,以进一步完善生物反应器缩放的ML工具.