論文の概要: Biomanufacturing Harvest Optimization with Small Data

• arxiv url: http://arxiv.org/abs/2101.03735v5
• Date: Sat, 6 Jul 2024 21:16:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 06:10:05.922476
• Title: Biomanufacturing Harvest Optimization with Small Data
• Title（参考訳）: 小データを用いたバイオマニュファクチャリングハーベスト最適化
• Authors: Bo Wang, Wei Xie, Tugce Martagan, Alp Akcay, Bram van Ravenstein,
• Abstract要約: 発酵過程におけるタンパク質の蓄積と不純物濃度を特徴付けるモデルを導入する。 業界における一般的な課題は、非常に限られた量のデータしか利用できないことだ。 本研究では, 発酵プロセスの収穫決定(すなわち, 発酵を止めて生産報酬を回収するタイミング)について, モデルリスク下で検討する。
• 参考スコア（独自算出の注目度）: 3.8447683272775586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In biopharmaceutical manufacturing, fermentation processes play a critical role in productivity and profit. A fermentation process uses living cells with complex biological mechanisms, leading to high variability in the process outputs, namely, the protein and impurity levels. By building on the biological mechanisms of protein and impurity growth, we introduce a stochastic model to characterize the accumulation of the protein and impurity levels in the fermentation process. However, a common challenge in the industry is the availability of only a very limited amount of data, especially in the development and early stages of production. This adds an additional layer of uncertainty, referred to as model risk, due to the difficulty of estimating the model parameters with limited data. In this paper, we study the harvesting decision for a fermentation process (i.e., when to stop the fermentation and collect the production reward) under model risk. We adopt a Bayesian approach to update the unknown parameters of the growth-rate distributions, and use the resulting posterior distributions to characterize the impact of model risk on fermentation output variability. The harvesting problem is formulated as a Markov decision process model with knowledge states that summarize the posterior distributions and hence incorporate the model risk in decision-making. Our case studies at MSD Animal Health demonstrate that the proposed model and solution approach improve the harvesting decisions in real life by achieving substantially higher average output from a fermentation batch along with lower batch-to-batch variability.
• Abstract（参考訳）: バイオ医薬品製造において、発酵プロセスは生産性と利益において重要な役割を担っている。 発酵過程は、複雑な生物学的機構を持つ生きた細胞を使用し、プロセスの出力、すなわちタンパク質と不純物レベルに高い変動をもたらす。 タンパク質と不純物成長の生物学的機構を基盤として, 発酵過程におけるタンパク質の蓄積と不純物濃度を特徴付ける確率モデルを導入する。 しかし、業界における一般的な課題は、特に開発と生産の初期段階において、非常に限られた量のデータしか利用できないことである。 これは、限られたデータでモデルパラメータを推定することが困難であるため、モデルリスクと呼ばれる新たな不確実性層を追加する。 本稿では, モデルリスク下での発酵プロセス(すなわち, 発酵を止めて生産報酬を回収するタイミング)の収穫決定について検討する。 我々は,成長速度分布の未知のパラメータを更新するためにベイズ的アプローチを採用し,得られた後続分布を用いて,モデルリスクが発酵生産変動に及ぼす影響を特徴づける。 収穫問題は、後続分布を要約し、意思決定におけるモデルリスクを組み込む知識状態を持つマルコフ決定プロセスモデルとして定式化される。 本研究は,MSD Animal Healthのケーススタディにおいて,発酵バッチから平均出力を著しく高め,バッチ・ツー・バッチの変動を低減し,実生活における収穫決定を改善するモデルとソリューション・アプローチを実証するものである。

関連論文リスト

• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes [7.762212551172391]
  モノクローナル抗体 (mAbs) は、その特異性や有効性から、医薬品市場で注目されている。 機械学習モデルのmAb開発および製造への応用は勢いを増している。 本稿では,機械学習予測における不確実性定量化の必要性に対処する。
  論文  参考訳（メタデータ） (2024-09-03T09:38:32Z)
• Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
  昆虫生産には 最大限の可能性を実現するために 最適化が必要です これは選択的育種による興味のある形質の改善が目的である。 このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-06-26T07:50:58Z)
• EM Distillation for One-step Diffusion Models [65.57766773137068]
  最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。 本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-27T05:55:22Z)
• Hybrid Machine Learning techniques in the management of harmful algal blooms impact [0.7864304771129751]
  軟体動物栽培はハーモフル藻類(HAB)の影響を受けうる HABは高濃度の藻のエピソードであり、人間の消費に有害である可能性がある。 人的消費のリスクを避けるため、毒性が検出されると収穫が禁止される。
  論文  参考訳（メタデータ） (2024-02-14T15:59:22Z)
• ML Algorithm Synthesizing Domain Knowledge for Fungal Spores Concentration Prediction [3.4836961035265217]
  真菌胞濃度は紙の使いやすさに影響を与える重要な指標である。 現在の試験方法は遅れた結果に重きを置いており、リアルタイム制御戦略を妨げている。 本稿では, 紙パルプ産業における厳密な品質管理を可能とし, リアルタイム菌胞濃度予測のための有望な方法を示す。
  論文  参考訳（メタデータ） (2023-09-23T15:27:14Z)
• Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
  拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。 これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。 我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
  論文  参考訳（メタデータ） (2023-06-20T03:05:28Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Opportunities of Hybrid Model-based Reinforcement Learning for Cell Therapy Manufacturing Process Development and Control [6.580930850408461]
  細胞治療製造の主な課題は、高い複雑さ、高い不確実性、非常に限られたプロセスデータである。 本稿では,プロセス開発と制御を効率的にガイドするフレームワーク"hybridRL"を提案する。 実験的検討では, 細胞治療の例を用いて, 提案したハイブリッド-RLフレームワークが, 古典的決定論的力学モデルによるプロセス最適化よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-10T00:01:19Z)
• Policy Optimization in Bayesian Network Hybrid Models of Biomanufacturing Processes [3.124775036986647]
  バイオマニュファクチャリングプロセスは、綿密な監視と制御を必要とする。 低データ環境における人間レベルの制御を実現するためのモデルベース強化学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-05-13T20:39:02Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。