超盒混合回归用于抗体生产中的过程性能预测
机器学习
2024-11-05 v1 计算工程、金融与科学
定量方法
摘要
本文解决生物过程性能预测的挑战，特别是在单克隆抗体（mAb）生产中，传统统计方法常因时间序列数据的复杂性和高维度而表现不足。我们提出一种新颖的超盒混合回归（HMR）模型，采用基于超盒的输入空间划分来提高预测精度，同时管理生物过程数据中固有的不确定性。HMR 模型设计为在单次过程中为输入样本动态生成超盒，从而提高学习速度并降低计算复杂度。我们的实验研究使用了包含 106 个生物反应器的数据集。本研究评估了模型在单克隆抗体制造过程中预测关键质量属性的性能，覆盖 15 天的培养期。结果表明，HMR 模型在准确性和学习速度方面优于可比近似器，并在不确定条件下保持了可解释性和鲁棒性。这些发现强调了 HMR 作为增强生物过程分析预测能力的强大工具的潜力。
引用
@article{arxiv.2411.01404,
title = {Hyperbox Mixture Regression for Process Performance Prediction in Antibody Production},
author = {Ali Nik-Khorasani and Thanh Tung Khuat and Bogdan Gabrys},
journal= {arXiv preprint arXiv:2411.01404},
year = {2024}
}