使用机器学习方法对各种抗原和配方进行逆相染色分析
Barry Lorbetskie1, Narges Manouchehri2, Michel Girard1
1Center for Oncology, Radiopharmaceuticals and Research, Biologic and Radiopharmaceutical Drugs Directorate, Health Products and Food Branch, Health Canada, Ottawa, ON K1A 0K9, Canada.
Vaccines
|August 28, 2025
概括
机器学习 (ML) 模型现在可以在逆相染色学 (RP) 中进行流感疫苗分析. 这种方法简化了疫苗功效测试,提高了质量控制的速度和客观性.
科学领域:
- 分析化学
- 生物技术
- 计算生物学
背景情况:
- 每年重新配制流感疫苗需要及时制造强度试剂.
- 反相色谱 (RP) 是一个关键技术,但对抗原分离差的方法重新优化具有挑战性,并且取决于分析师.
- 目前用于分析流感抗原的染色体概况的方法耗时且需要大量的专业知识.
研究的目的:
- 探索机器学习 (ML) 方法来分类流感抗原的困难RP染色分离.
- 开发一种计算机辅助的方法,在不同的年份,产品和分析师中重新优化分析程序.
- 为了解决重复出现的问题,如分辨率差,应变共和染色体中信号缺失.
主要方法:
- 利用大量的流感抗原的RP染色数据.
- 应用数据增强技术来纠正数据集中的类不平衡.
- 训练了多个监督的ML分类器,以区分各种染色学峰值配置文件,表明分离问题.
主要成果:
- 一些ML模型在数据增强后在分类染色谱中取得了有希望的准确性.
- 这些模型成功地确定了与真实流感疫苗数据分离问题相关的模式.
- 证明了ML能够客观地分类染色体质量.
结论:
- 机器学习为疫苗质量评估提供了可扩展和客观的染色体分类工具.
- 机器学习可以显著加快分析方法的优化,减少对手工解释的依赖.
- 这种方法在疫苗制造和紧急情况下对快速反应特别有价值.
