基于多目标优化设计考虑可变性的稳健生物技术工艺：应用于生物制药种子培养设计
机器学习
2022-05-09 v1 定量方法
机器学习
摘要
基于细胞培养的生物制药生产工艺的开发与优化成本高、耗时长，且常凭经验进行。对工艺时间、活细胞密度、操作步骤与培养规模数量、所需培养基、产物量以及产品质量等多目标的高效优化是一种有前景的方法。本文提出了一种将基于不确定性的上游仿真与高斯过程贝叶斯优化耦合的工作流。其应用在一个相关工业任务（工艺开发中的稳健细胞培养扩增工艺（种子培养）设计）的仿真案例研究中得到展示，即在存在细胞生长相关不确定性和可变性的情况下，种子培养过程中活细胞密度的波动较低。与未优化的参考种子培养相比，优化后的工艺在使用5或4个摇瓶规模时活细胞密度的偏差率大幅降低（<~10%而非41.7%），且种子培养时长由576小时缩短56小时至520小时。总体而言，研究表明应用贝叶斯优化能以较低计算代价优化具有多个可优化输入变量和大量约束的多目标优化函数。该方法有潜力作为决策工具使用，例如用于选择最优且稳健的种子培养设计或用于工艺开发中的进一步优化任务。
引用
@article{arxiv.2205.03261,
title = {Designing Robust Biotechnological Processes Regarding Variabilities using Multi-Objective Optimization Applied to a Biopharmaceutical Seed Train Design},
author = {Tanja Hernández Rodríguez and Anton Sekulic and Markus Lange-Hegermann and Björn Frahm},
journal= {arXiv preprint arXiv:2205.03261},
year = {2022}
}