[一个改进的基于物理学的神经网络,有计划采样,用于模拟细胞培养过程以产生单克隆抗体]
Zhao Xu1, Hang Chen1, Haibin Qu2
1Pharmaceutical Informatics Institute, College of Pharmaceutical Sciences, Zhejiang University, Hangzhou 310058, Zhejiang, China.
Sheng wu gong cheng xue bao = Chinese journal of biotechnology
|February 27, 2026
概括
基于物理学的神经网络 (PINNs) 改善了细胞培养模型. 一种名为SS-IHPINN的新方法提高了预测准确性和稳定性,特别是在有限的数据的情况下,有助于生物过程监测.
科学领域:
- 生物技术是生物技术.
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 基于物理学的神经网络 (PINNs) 将物理定律集成到机器学习模型中.
- 皮恩在细胞培养模型中表现有前途,但在有限的数据中可能会扎.
- 现有的PINNs在小样本场景中可能会汇聚到次优解决方案.
研究的目的:
- 为单克隆抗体生产开发一个更强大的混合物理信息神经网络 (SS-IHPINN).
- 使用有限的数据,提高细胞培养过程中的预测准确性和概括性.
- 提供增强的生物过程监测能力.
主要方法:
- 提出了一个改进的混合物理信息的神经网络,并计划采样 (SS-IHPINN).
- 包含物理引导初始化和计划采样技术.
- 通过比较和废弃实验对模型进行评估.
主要成果:
- 通过其两个功能模块,SS-IHPINN证明了预测性能的协同增强.
- 与基线方法相比,该模型实现了更高的预测准确性.
- 在不同细胞培养参数中表现出良好的概括和转移学习能力.
结论:
- 在小样本条件下,SS-IHPINN有效地提高了建模性能.
- 拟议的框架为生物过程监测提供可靠的技术支持.
- 这种方法促进了物理信息神经网络在生物处理中的应用.
更多相关视频
10:50Purification and Analytics of a Monoclonal Antibody from Chinese Hamster Ovary Cells Using an Automated Microbioreactor System
Published on: May 1, 2019
15.4K
09:34Automated Production of Human Induced Pluripotent Stem Cell-Derived Cortical and Dopaminergic Neurons with Integrated Live-Cell Monitoring
Published on: August 6, 2020
7.8K
