通过多目标贝叶斯优化加速发现冷冻保护剂混合物
机器学习
2026-02-17 v1 定量方法
摘要
设计冷冻保护剂剂体（CPA）混合物具有挑战性，因为配方必须浓度足够抑制冰的形成，同时又非毒性足以保持细胞活力。这种权衡在巨大的多目标设计空间中导致传统发现方法缓慢，往往依赖专家直觉或穷举实验。我们提出一种数据高效框架，通过结合高通量筛选与基于多目标贝叶斯优化的主动学习循环来加速 CPA 混合物的设计。从初始测量的混合物集合出发，我们训练概率 surrogate 模型来预测浓度和活力，并在候选配方中量化不确定性。随后，我们迭代选择下一组实验，通过优先考虑预期改进帕累托前沿的混合物，在不确定性下最大化预期帕累托改进，并在收集新实验结果后更新模型。湿实验验证表明，我们的方法能够有效发现同时实现高 CPA 浓度和高术后活力的混合物。相较于朴素策略和强基准，本方法在被支配超体积上分别提高了 9.5% 和 4.5%，同时减少了达到高质量解所需的实验次数。在补充的合成研究中，我们仅需约 30% 的评估次数即可恢复与先前最先进的多目标方法相当的帕累托最优解，这相当于节省了约 10 周的实验时间。由于该框架仅需适当的检测方法和明确的配方空间，即可适用于不同的 CPA 库、目标定义和细胞系，以加速冷冻保存的开发。
引用
@article{arxiv.2602.13398,
title = {Accelerated Discovery of Cryoprotectant Cocktails via Multi-Objective Bayesian Optimization},
author = {Daniel Emerson and Nora Gaby-Biegel and Purva Joshi and Yoed Rabin and Rebecca D. Sandlin and Levent Burak Kara},
journal= {arXiv preprint arXiv:2602.13398},
year = {2026}
}