阶段增量决策树用于多阶段特征选择和相互作用的生物制造制造

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.
• 生物技术中的数据科学

背景情况:

• 细胞培养过程产生复杂的时间数据,对于优化制造产量至关重要.
• 了解这些参数对于生产活性制药成分至关重要,比如罗氏产品X,一种癌症治疗.
• 目前的方法可能无法充分利用序列数据进行早期的过程控制.

研究的目的:

• 为了优化中国仓鼠卵巢 (CHO) 细胞制造的上游生产阶段标题.
• 识别时间过程数据中最有影响力的特征,以提高预测和控制.
• 开发一种用于生物过程中特征选择和相互作用探索的新方法.

主要方法:

• 从249个细胞培养生产批次中分析时间过程数据.
• 为特征选择提出并应用阶段增量 (PI) 决策树方法.
• 使用集成的梯度提升机器,以调整的R平方作为处罚损失函数.

主要成果:

• 阶段增量决策树方法有效地确定了对标位预测具有影响力的特征.
• 该方法展示了模型和损失函数不可知论,促进早期特征的重要性.
• 对梯度增强机器的应用导致了对过程的更好理解和更早的控制能力.

结论:

• 拟议的阶段增量决策树方法增强了细胞培养过程中的特征选择和相互作用探索.
• 这种数据驱动的方法有助于更早地控制工艺,从而优化制造产量.
• 这些发现有助于更好地理解和控制用于癌症治疗的生物制药生产过程.