使用深度学习技术的单类分类的应用改善了可见粒子的分类

科学领域:

• 生物制药学分析
• 显微镜技术 显微镜技术
• 机器学习应用 机器学习应用

背景情况:

• 流成像显微镜对于检测生物制品中可见的微粒至关重要,这些微粒可以导致免疫性.
• 需要自动化方法来区分蛋白质聚合物和良性污染物,如油 (SO).
• 一类分类为确定稳定,异质分布提供了一个潜在的解决方案,但它对可分辨粒子的有效性是不确定的.

研究的目的:

• 研究深度学习技术的有效性,以提高可见粒子的一类分类性能.
• 评估深度学习增强的一类模型对油,免疫球蛋白G聚合物 (Agg_IgG) 和白蛋白聚合物 (Agg_Alb) 的分类准确性.

主要方法:

• 使用油,Agg_IgG和Agg_Alb的数据集的开发.
• 应用深度学习技术来增强一个类的分类模型.
• 使用集群分析来评估不同类型粒子的分类有效性.

主要成果:

• 深度学习显著改善了Agg_IgG和Agg_Alb的分类得分.
• 与Agg_Alb相比,Agg_IgG的分类表现更令人满意.
• 一类分类与深度学习相结合,在大多数集群中对Agg_IgG识别表现出卓越的有效性.

结论:

• 深度学习大大提高了分类蛋白质聚合物的一类分类 (Agg_IgG和Agg_Alb).
• 这种综合方法对准确评估免疫球蛋白G聚合物的特别有希望.
• 深度学习增强的一类分类是生物制药中可分离粒子分析的宝贵工具.