生物反应器中基于体内学习的微生物种群密度控制
通过Bayesian非参数模型及其相关的高效推理算法,本文解决了从时间序列细菌计数数据中学习微生物动态学的关键概念和实际挑战,并将其应用于模拟和实际数据,展示了从有限数据中系统识别与获取新的生物学见解的功能。
May, 2018
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
本文探讨了使用“灰盒子”(基于物理信息和数据驱动的混合模型)来学习 CHO 细胞生物反应器的动态演化模型,并使用机器学习来直接学习演化方程,找回未知的物理参数,以及学习部分未知的动力学表达式。
May, 2023
现今,技术达到了巅峰。探索了不同的编程和技术途径用于数据分析、自动化和机器人技术。机器学习是优化数据分析、进行准确预测以及加快/改进现有功能的关键。因此,目前人工智能领域中的机器学习正在发展,并且正在探索它在不同领域的应用。其中一个领域突出的应用是微生物生物合成。本文提供了微生物生物合成中所使用的不同机器学习程序的全面概述,并简要描述了机器学习和微生物生物合成这两个领域。包括过去的趋势、现代的发展、未来的改进、过程的解释以及当前面临的问题。因此,本文的主要贡献是概括这两个关键领域的发展并提供全面的解释,以及它们对于改进工业/研究的适用性。它还突出了挑战和研究方向,旨在激发在不断发展的领域中进行更多的研究和发展。最后,本文旨在成为正在进行研究的学者、改进流程的行业专业人员和想要理解生物合成中的机器学习概念的学生的参考资料。
Aug, 2023
使用传递学习方法,将来自开源模拟模型和另一废水处理厂的知识转移到工业废水处理厂,从而提高预测性能。测试和验证性能分别提高了27%和59%。
Jan, 2024
在废水处理中,尽管深度强化学习在机器人技术和游戏领域取得了杰出的成果,但在工业流程优化方面仍面临挑战。本研究通过使用模型的预测数据作为输入以进行校正,并改变损失函数以考虑长期预测形态(动态),提供了改进废水处理数据训练模型的两种方法,提高了模拟器在一年中动态时间弯曲方面的性能。这些改进为基于时间序列数据的生物过程模拟器的创建提供了重要的希望。
Mar, 2024
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
本研究提出了一种名为DenseTrack的新型细胞跟踪算法,它将深度学习与基于数学模型的策略相结合,以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务,然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外,还提出了一种基于特征分解的细胞分裂检测策略,利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞,并经过了模拟和实验荧光图像序列的实验证明,与最近的最先进细胞跟踪方法相比,所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。
Jun, 2024
本研究解决了在有限训练数据情况下,机器学习预测中的不确定性量化需求。通过集成学习和蒙特卡洛模拟的方法,增强了小训练数据集的模型鲁棒性,两个案例研究显示该方法在抗体浓度预测和实时监测葡萄糖浓度方面的有效性,显著提升了生物制药制造过程的决策能力和产品质量。
Sep, 2024