干细胞培养数据的增强模型用于机器学习的应用
Owen Skriloff1, Demetrios M Stoukides1, Emmanuel S Tzanakakis1,2,3,4
1Department of Chemical and Biological Engineering, Tufts University, Medford, Massachusetts, USA.
Biotechnology and bioengineering
|November 7, 2025
概括
本研究提出了一个使用数据增强和建模来理解干细胞生物过程的框架. 它识别了像葡萄糖和乳酸酸这样影响细胞质量属性的关键代谢物,改善了生物制造的洞察力.
科学领域:
- 生物技术是生物技术.
- 细胞生物学 细胞生物学
- 计算生物学 计算生物学
背景情况:
- 用于治疗的干细胞生物过程是复杂的,需要大量的数据.
- 数据有限阻碍了生物制造中的机器学习应用.
- 了解代谢物-CQA关系对于流程优化至关重要.
研究的目的:
- 开发一个研究干细胞培养中的代谢物-CQA关系的框架.
- 使用数据增强来比较不同的建模方法 (FP,HD,NODEAM).
- 确定影响关键质量属性 (CQAs) 的关键代谢物和时间点.
主要方法:
- 实施了一个结合数据增强,多变量回归和特征重要性分析的框架.
- 使用了第一原则 (FP),混合 (HD) 和神经ODE (NODEAM) 模型.
- 采用时间特征的重要性和差异的功能数据分析.
主要成果:
- 数据增强在所有模型中增强了生物信息.
- 特征重要性趋同遵循了增强运行功率法.
- 葡萄糖和乳酸盐在特定时间窗口内与CQAs有很强的相关性.
- 混合 (HD) 模型表现出卓越的保真性和准确性.
结论:
- 开发的框架提供了对培养细胞生理学的见解.
- 结合机械和统计建模 (HD模型) 提高了可解释性和准确性.
- 这种方法可以适应各种生物制造系统.
