机器学习增强了蛋白质染色学中的过程设计

科学领域:

• 生物制药工艺开发 生物制药过程开发
• 计算化学计算化学
• 机器学习在药物发现中的作用

背景情况:

• 数字设计的质量 (QbDD) 旨在通过减少对物理实验的依赖来加速生物制药开发.
• 确定设计空间是QbDD的一个关键瓶,通常需要昂贵的高保真模型.
• 目前用于设计空间识别的方法耗时且资源密集.

研究的目的:

• 开发一种机器学习增强的方法,用于QbDD中高效的设计空间识别.
• 利用合成数据和转移学习来克服传统方法的局限性,特别是在数据稀缺的情况下.
• 为了证明这种方法在不同数据可用性场景 (高,中等,低) 中的适用性.

主要方法:

• 利用转移学习框架与机械模型生成的合成数据集相结合.
• 开发了一种人工神经网络 (ANN) 模型,用于分类可行的设计区域.
• 在高,中等和低数据可用性 (HDA,MDA,LDA) 条件下评估了ANN模型的性能.

主要成果:

• 数据驱动方法在HDA中表现出强的表现.
• 转移学习显著提高了MDA中的模型准确性,对LDA中的性能至关重要.
• 机器学习方法有效地确定了可行的设计区域,证明了它的实用性.

结论:

• 机器学习,特别是转移学习,为QbDD中的设计空间识别提供了强大而高效的解决方案.
• 这种方法可以显著降低与早期生物制药工艺设计相关的成本和时间.
• 开发的方法有可能简化QbDD的实施并加速药物开发时间表.