Data-driven and Physics Informed Modelling of Chinese Hamster Ovary Cell Bioreactors

要約

【タイトル】中国ハムスター卵巣細胞バイオリアクターのデータ駆動型及び物理学的モデリング

【要約】
・哺乳類細胞を用いて生物学的医薬品の生産において、間欠栄養法の培養は確立された運転モードである。
・量的モデリングでは、一部の主要な反応段階の動力学とフラックスバランス分析を用いた最適化駆動の代謝フラックス割り当てが統合される。しかし、数学的な不整合が生じることが知られている。
・ここでは、プロセスデータから中国ハムスター卵巣細胞（CHO）バイオリアクターのダイナミックな進化モデルを学習する物理学的に紹介されたデータ駆動型ハイブリッドモデル（「グレーアウトボックス」）を提案している。
・このアプローチでは、代謝フラックスの動力学的式と物理法則（たとえば、質量バランス）を組み合わせている。更に、機械学習（ML）を使って、(a) 直接進化方程式を学習する（ブラックボックスモデリング）;(b) 未知の物理パラメータを取り戻す（「ホワイトボックス」パラメータフィッティング）または-重要なことに-(c) 部分的に未知の動力学的な表現を学習する（グレーボックスモデリング）。
・オーバードメタボリックバイオ物理学システムの凸最適化ステップを、私たちのアーキテクチャに差動可能なフィードフォワード層としてエンコードし、部分的な物理的知識とデータ駆動型機械学習を結びつけている。

要約(オリジナル)

Fed-batch culture is an established operation mode for the production of biologics using mammalian cell cultures. Quantitative modeling integrates both kinetics for some key reaction steps and optimization-driven metabolic flux allocation, using flux balance analysis; this is known to lead to certain mathematical inconsistencies. Here, we propose a physically-informed data-driven hybrid model (a ‘gray box’) to learn models of the dynamical evolution of Chinese Hamster Ovary (CHO) cell bioreactors from process data. The approach incorporates physical laws (e.g. mass balances) as well as kinetic expressions for metabolic fluxes. Machine learning (ML) is then used to (a) directly learn evolution equations (black-box modelling); (b) recover unknown physical parameters (‘white-box’ parameter fitting) or — importantly — (c) learn partially unknown kinetic expressions (gray-box modelling). We encode the convex optimization step of the overdetermined metabolic biophysical system as a differentiable, feed-forward layer into our architectures, connecting partial physical knowledge with data-driven machine learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI