本研究采用贝叶斯神经网络在分子性质预测中量化预测的不确定性，证明不确定性量化的必要性，从而提高分子应用的可靠性。

Nov, 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

单克隆抗体的持续生产是一个重要的研究领域。本文介绍了两种计算高效的经济模型预测控制（EMPC）实现方法，即S型函数逼近方法和修正线性单元（ReLU）逼近方法，同时探讨了深度强化学习方法的应用。这三种方法与传统的切换方法进行了比较，传统方法基于1％产品突破规则，不涉及优化。

Aug, 2023

机器学习在生物制药领域具有重要贡献，但其应用仍处于早期阶段，未能直接支持基于设计质量的生物制药开发与制造，阻碍了从开发到制造中的生物工艺自动化的巨大潜力。然而，随着大规模生产数据的积累，逐渐采用基于机器学习模型而非传统的多元数据分析方法，主要驱动因素是通过先进的过程分析技术对生物制药产品的过程变量和质量属性进行实时监测。本文旨在全面回顾机器学习解决方案在生物产品设计、监测、控制和上、下游以及产品配方过程中的应用，深入讨论与生物工艺、过程数据以及机器学习模型在生物制药过程开发和制造中相关的主要挑战，并提供新兴的机器学习方法和新型数字生物制药解决方案发展的进一步见解。

Oct, 2023

过去40年来，治疗抗体的发现和开发已经变得司空见惯。然而，随着治疗抗体构造变得更复杂（例如多样性抗体），常规的优化方法日益低效。机器学习承诺开辟一条使用较少实验和成本的计算模拟路径来加速药物产品的发现和开发。本文对当前的做法进行了批判性评论，解释了常见陷阱，并明确了一组方法开发和评估指南，可应用于治疗抗体发现与开发的不同类型的机器学习技术。

Dec, 2023

通过添加数据点并利用峰面积特性，使用卷积神经网络提高了在Raman光谱中监测底物、生物量和PHA生物聚合物浓度的能力。

Feb, 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

在蛋白质领域，可靠的变异影响预测取得了显著进展，通过提供具备不确定性估计的高斯过程回归模型Kermut，能够在蛋白质属性预测中获得最先进的性能，并展示了对预测的可靠性定量估计的质量评估结果。

Apr, 2024

本研究针对药物发现早期阶段实验决策受限于计算模型造成的不确定性量化问题，提出了一种结合贝叶斯、集成和高斯模型的方法，通过生存分析中的Tobit模型有效利用审查标签。研究结果表明，尽管审查标签信息不完整，但其对准确建模真实药物开发环境至关重要。

Sep, 2024