使用学习为基础的策略，我们开发了一种方法，通过控制细菌种群在生物反应器中的密度，有效地转化其生物质为有用化合物。与传统控制器相比，学习为基础的控制器在实际运行中表现出类似的性能，并进一步向微生物共生体系的组成控制迈进了一步。

Dec, 2023

生物制造创新依赖于高效的实验设计（DoE）来优化流程和产品质量。本研究提出了一种新的最佳学习方法，用于引导数字孪生模型校准的顺序 DoE，并评估参数估计误差对数字孪生预测准确性的影响。

May, 2024

利用深度神经网络预测机械模型参数在生物过程工程中起到了重要的作用，提供了高效、健壮且计算成本低的参数估计方法，综合实验数据对比了提出的算法与传统方法，发现神经网络预测的参数估计优于传统拟合程序。

Dec, 2023

本文研究提出在各种生物系统中使用数据驱动的动态模型来预测细胞对不可见扰动的响应，结合使用机器学习技术和邻接算法构建网络模型，并进行模拟，以验证模型的准确性和可适用性。

Apr, 2021

合成生物学中，ILP-iML1515 是一种基于归纳逻辑编程的机器学习框架，通过逻辑推理和学习从实验样本中更新基因组规模代谢模型的新逻辑结构，以有效探索宿主细胞系统的假设空间并引导实验设计，从而降低学习基因功能的实验成本。

Aug, 2023

本文提出了一种机器学习框架来从高精度随机模拟中学习大尺度化学趋化偏微分方程及其闭合问题，使用自适应相关决策根据高维数据选择合适的共同特征来简化该问题并使用机器学习的方式学习宏观大尺度的效应。

May, 2022

该研究使用统计物理学中的最大熵模型，对大肠杆菌核心代谢网络进行建模，得出了单细胞水平上代谢通量的联合分布，从而发现大肠杆菌的代谢优化接近最优但不完美，并预测了代谢网络的多个特性。

Mar, 2017

将逻辑机器学习技术应用于细胞工程和生物学发现，以促进基因组规模代谢网络模型的学习与优化，进而创建一个自主驾驶微生物工程实验室。

May, 2024

在生物制造领域，我们提出采用统计机器学习方法 —— 多保真高斯过程，来解决生物过程建模中的不确定性、高成本采集数据以及缺乏数据等问题，并在两个具体问题上展示了它的有效性，分别是生物反应器放大和细胞系之间的知识迁移。

Nov, 2022

微米级袋状互动分子可以自主学习复杂且波动的环境；通过控制理论、机器学习理论、化学反应网络理论和统计物理学，我们开发了一个通用架构，使得广泛类别的化学系统可以自主学习复杂分布。

Nov, 2023