小数据下的生物制造收获优化

在生物制药生产中，发酵过程对生产力和利润起着关键作用。发酵过程使用具有复杂生物机制的活细胞，导致过程输出（即蛋白质和杂质水平）的高度变异性。基于蛋白质和杂质生长的生物学机制，我们引入随机模型来刻画发酵过程中蛋白质和杂质水平的累积。然而，工业界一个常见的挑战是仅有非常有限的数据可用，尤其在开发和早期生产阶段。由于有限数据下难以估计模型参数，这增加了被称为模型风险的额外不确定性层。本文研究模型风险下发酵过程的收获决策（即何时停止发酵并收集生产回报）。我们采用贝叶斯方法更新生长速率分布的未知参数，并利用所得后验分布刻画模型风险对发酵输出变异性的影响。收获问题被建模为具有知识状态的马尔可夫决策过程模型，知识状态汇总后验分布从而将模型风险纳入决策。我们在MSD Animal Health的案例研究表明，所提模型与求解方法通过显著提高发酵批次平均输出并降低批次间变异性，改善了实际中的收获决策。