有限数据下部署自适应机器学习智能体用于实时细胞培养过程监测的经验教训
定量方法
2025-09-04 v1 机器学习
摘要
本研究探索了三种机器学习（ML）方法在细胞培养过程中对葡萄糖、乳酸和铵浓度进行实时预测的应用，以拉曼光谱作为输入特征。该研究解决了与数据可用性有限和过程变异性相关的挑战，对预训练模型、即时学习（JITL）和在线学习算法进行了比较分析。两个工业案例研究被用于评估不同生物工艺条件对模型性能的影响。研究结果揭示了预训练模型表现出优越预测精度的特定条件，并确定了JITL或在线学习方法在自适应过程监测中更为有效的场景。本研究还强调了在生物反应器运行期间使用最新的离线分析测量更新已部署模型/智能体以维持模型性能、应对细胞生长行为和操作条件变化的关键重要性。此外，该研究证实了一个简单的专家混合框架在基于拉曼光谱数据实现代谢物浓度实时预测的增强精度和鲁棒性方面的有效性。这些见解有助于为在动态和不断变化的生物制造环境中高效部署ML模型制定稳健的策略。
引用
@article{arxiv.2509.02606,
title = {Lessons Learned from Deploying Adaptive Machine Learning Agents with Limited Data for Real-time Cell Culture Process Monitoring},
author = {Thanh Tung Khuat and Johnny Peng and Robert Bassett and Ellen Otte and Bogdan Gabrys},
journal= {arXiv preprint arXiv:2509.02606},
year = {2025}
}