代表性训练数据集对于精确的机器学习对由脂酶催化聚酸盐水解形成的粒子的显微镜图像进行分类至关重要
David N Greenblott1, Christopher P Calderon2, Theodore W Randolph1
1Department of Chemical and Biological Engineering, University of Colorado Boulder, 3415 Colorado Ave, Boulder, CO 80303, United States.
Journal of pharmaceutical sciences
|January 17, 2025
概括
用快速形成的脂肪酸颗粒训练AI图像分类器可能会导致不准确的结果. 使用来自缓慢水解的代表性粒子图像对于治疗性蛋白质配方的可靠分类至关重要.
科学领域:
- 制药科学 制药科学
- 生物技术是生物技术.
- 分析化学 分析化学
背景情况:
- 聚酸盐20 (PS20) 是蛋白质治疗中常见的辅助剂.
- 宿主细胞脂解可以在储存过程中对PS20进行水解,形成脂肪酸 (FA).
- 脂肪酸可以沉成不可见的颗粒,影响药物产品的质量和安全.
研究的目的:
- 研究使用快速生成的脂肪酸颗粒用于训练卷积神经网络 (CNN) 的有效性.
- 为了比较快速形成的与缓慢形成的FA粒子训练的CNN的分类准确性.
- 强调代表性图像数据集对于人工智能驱动的粒子分析的重要性.
主要方法:
- 使用流量成像显微镜 (FIM) 来成像可见的粒子.
- 采用快速技术生成FA粒子用于初始训练数据.
- 使用来自快速粒子生成的数据集与缓慢的脂酶催化水解的数据集,比较CNN的性能.
- 评估了CNN在分类通过不同的运动路径形成的FA粒子的准确性.
主要成果:
- 在快速形成的FA粒子上训练的CNN在分类来自缓慢酶解水解的粒子时的准确性较低.
- 通过相同的缓慢水解方法生成的粒子进行训练的CNN获得了更高的分类准确性.
- 粒子生成方法对CNN的训练数据集的代表性产生了重大影响.
结论:
- 快速生成的FA颗粒可能不代表产品实际保质期形成的颗粒.
- 使用动态相关的,代表性的图像数据对于准确的基于CNN的生物制药颗粒分类至关重要.
- 这突显了在制药分析中开发强大的AI模型的关键考虑因素.
