从有限数据和反馈中学习用于细胞培养过程监测：一项比较研究

在细胞培养生物加工中，实时批次过程监测（BPM）是指在整个批次运行期间对关键过程变量（如活细胞密度、营养水平、代谢物浓度和产物滴度）进行连续跟踪和分析。这使得能够早期检测偏差并支持及时的控制行动，以确保最佳的细胞生长和产品质量。BPM 在确保生物制药制造过程的质量和法规合规性方面发挥着关键作用。然而，准确的 BPM 软传感器开发受到关键挑战的阻碍，包括有限的历史数据、不频繁的反馈、异质的过程条件和高维感官输入。本研究对旨在应对这些挑战的机器学习（ML）方法进行了全面的基准分析，重点关注在生物过程监测背景下从数据量有限且相关性有限的历史数据中学习。我们评估了多种 ML 方法，包括特征降维、在线学习和即时学习，涵盖三个数据集：一个仿真数据集和两个真实实验数据集。我们的结果强调了处理有限数据和反馈的训练策略的重要性，批量学习在均匀环境中被证明是有效的，而即时学习和在线学习在冷启动场景中表现出优越的适应性。此外，我们识别出关键元特征，如进料培养基组成和过程控制策略，这些特征显著影响模型的可迁移性。结果还表明，将基于拉曼的预测与滞后离线测量相结合可以提高监测准确性，为未来的生物过程软传感器开发提供了一个有前景的方向。