通过基于机器学习的软传感器建模和集成系统方法在线预测生命力和可行的细胞密度:一个工业相关的PAT案例研究
Sneha Suman1, Michaela Murr1, Jacob Crowe2
1Amgen, Cambridge, Massachusetts, USA.
Biotechnology progress
|January 23, 2025
概括
本研究介绍了软传感器模型,用于实时预测生物制造中的细胞活力和可活细胞密度 (VCD). 这些模型减少了手动测量,提高了过程控制和效率.
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.
- 系统生物学 系统生物学
背景情况:
- 生物制药行业越来越多地采用数字工具,以更好地分析系统生物学数据和提高产品质量.
- 实施数字技术通过快速响应,减少手工劳动和促进自动化来简化制造业.
研究的目的:
- 开发和验证软传感器模型,以实时预测中国仓鼠卵巢 (CHO) 细胞活力和活细胞密度 (VCD).
- 整合一个实证模型用于在线可行性预测和一个机器学习模型用于VCD预测.
主要方法:
- 利用直线光密度和允许度传感器来开发一种简化的实证模型来预测可行性.
- 使用高斯过程回归器与母核 (nu=0.5) 进行VCD预测,从100多种机器学习技术中选择.
- 在持续监控的系统方法中整合了可行性和VCD模型.
主要成果:
- 可行性模型实现了高准确性,其96%的残余值在±5%的误差范围内,最后一天的平均绝对百分比误差 (MAPE) 为≤5%.
- 该VCD预测模型表现出强的性能,R2为0.92和89%的预测在±10%的误差范围内.
- 这两种模型的性能明显优于传统的部分最小平方回归方法.
结论:
- 验证了集成软传感器模型的实时使用,可行性和VCD的在线预测.
- 证明有潜力显著减少对劳动密集型离线测量的依赖.
- 建立了先进生物制造的基础,改善了工艺控制,效率和监管合规性.
