基于集成学习和蒙特卡洛抽样的时间不确定性量化用于细胞培养过程中的性能预测与监控
定量方法
2024-09-05 v1 机器学习
摘要
单克隆抗体（mAbs）等生物制药产品因其高度特异性和有效性而在制药市场中获得了突出地位。由于这些产品预计将占全球制药销售额的很大比例，机器学习在mAb开发和制造中的应用正迎来快速增长。本文针对机器学习预测中关键需求——在训练数据有限的情景下进行不确定性量化——提出了一种基于集成学习和蒙特卡洛模拟的方法。该方法通过生成额外的输入样本来增强小规模训练数据集中模型的鲁棒性。我们通过两个案例研究来评估方法的有效性：即使用Raman光谱数据预测抗体浓度，以及实时监控生物反应器运行期间的葡萄糖浓度。我们的发现表明，该方法在估计过程性能预测的不确定性水平方面有效，并且有助于生物制药制造中的实时决策。该工作不仅引入了一种新的不确定性量化方法，还提供了应对生物过程开发中小训练数据集挑战的洞见。评估结果表明，该方法在上游细胞培养的不确定性估计方面能够有效应对关键挑战，展示了其在动态生物制药领域提高工艺控制和产品质量方面的潜在影响。
引用
@article{arxiv.2409.02149,
title = {Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes},
author = {Thanh Tung Khuat and Robert Bassett and Ellen Otte and Bogdan Gabrys},
journal= {arXiv preprint arXiv:2409.02149},
year = {2024}
}