中国仓鼠卵巢细胞生物反应器的数据驱动与物理信息融合建模
定量方法
2023-05-08 v1 机器学习
动力系统
摘要
补料分批培养是利用哺乳动物细胞培养生产生物制剂的一种成熟操作模式。定量建模将一些关键反应步骤的动力学与基于优化的代谢通量分配（使用通量平衡分析）相整合；已知这会导致某些数学不一致性。在此，我们提出一种物理信息驱动的数据驱动混合模型（即“灰箱”），从过程数据中学习中国仓鼠卵巢（CHO）细胞生物反应器动态演化的模型。该方法纳入物理定律（如质量平衡）以及代谢通量的动力学表达式。随后利用机器学习（ML）来（a）直接学习演化方程（黑箱建模）；（b）恢复未知物理参数（“白箱”参数拟合）或——重要的是——（c）学习部分未知的动力学表达式（灰箱建模）。我们将超定代谢生物物理系统的凸优化步骤编码为可微的前馈层嵌入我们的架构中，将部分物理知识与数据驱动的机器学习相连接。
引用
@article{arxiv.2305.03257,
title = {Data-driven and Physics Informed Modelling of Chinese Hamster Ovary Cell Bioreactors},
author = {Tianqi Cui and Tom S. Bertalan and Nelson Ndahiro and Pratik Khare and Michael Betenbaugh and Costas Maranas and Ioannis G. Kevrekidis},
journal= {arXiv preprint arXiv:2305.03257},
year = {2023}
}