論文の概要: Machine learning in bioprocess development: From promise to practice
- arxiv url: http://arxiv.org/abs/2210.02200v1
- Date: Tue, 4 Oct 2022 13:48:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 15:23:10.268772
- Title: Machine learning in bioprocess development: From promise to practice
- Title(参考訳): バイオプロセス開発における機械学習: 約束から実践へ
- Authors: Laura Marie Helleckes, Johannes Hemmerich, Wolfgang Wiechert, Eric von
Lieres and Alexander Gr\"unberger
- Abstract要約: 機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
- 参考スコア(独自算出の注目度): 58.720142291102135
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fostered by novel analytical techniques, digitalization and automation,
modern bioprocess development provides high amounts of heterogeneous
experimental data, containing valuable process information. In this context,
data-driven methods like machine learning (ML) approaches have a high potential
to rationally explore large design spaces while exploiting experimental
facilities most efficiently. The aim of this review is to demonstrate how ML
methods have been applied so far in bioprocess development, especially in
strain engineering and selection, bioprocess optimization, scale-up, monitoring
and control of bioprocesses. For each topic, we will highlight successful
application cases, current challenges and point out domains that can
potentially benefit from technology transfer and further progress in the field
of ML.
- Abstract(参考訳): 新たな分析技術、デジタル化と自動化により、現代のバイオプロセス開発は、貴重なプロセス情報を含む大量の異種実験データを提供する。
この文脈では、機械学習(ML)アプローチのようなデータ駆動手法は、実験施設を最も効率的に活用しながら、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は, バイオプロセス開発において, 特にひずみ工学と選択, バイオプロセス最適化, スケールアップ, 監視, 制御において, ML手法が適用されていることを実証することである。
各トピックについて、成功したアプリケーションケース、現在の課題を強調し、技術移転とML分野のさらなる進歩の恩恵を受ける可能性のあるドメインを指摘します。
関連論文リスト
- An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。
これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。
以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
論文 参考訳(メタデータ) (2024-02-21T11:27:31Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳(メタデータ) (2023-11-01T14:44:01Z) - Applications of Machine Learning in Biopharmaceutical Process
Development and Manufacturing: Current Trends, Challenges, and Opportunities [7.762212551172391]
機械学習(ML)は、バイオ医薬品分野に多大な貢献をしている。
その応用はまだ初期段階にあり、品質・バイ・デザインに基づくバイオ医薬品の開発・製造を直接支援している。
本稿では, 上流, 下流, 製品定式化プロセスの生物製品設計, 監視, 制御, 最適化におけるMLソリューションの現状を概観する。
論文 参考訳(メタデータ) (2023-10-16T00:35:24Z) - Machine Learning for Uncovering Biological Insights in Spatial
Transcriptomics Data [0.0]
マルチセルシステムの開発とホメオスタシスは、空間分子パターンの形成と維持に精巧な制御を必要とする。
空間転写学(ST)の進歩は、革新的な機械学習(ML)ツールの急速な開発につながっている。
MLが対応できる主要なST分析目標と現在の分析トレンドを要約する。
論文 参考訳(メタデータ) (2023-03-29T14:22:08Z) - Multi-fidelity Gaussian Process for Biomanufacturing Process Modeling
with Small Data [1.4687789417816917]
本稿では, バイオマニュファクチャリングにおけるプロセスモデリングに, 統計的機械学習アプローチ, 多要素ガウスプロセスを用いることを提案する。
生物生産,バイオリアクターのスケールアップ,細胞間知識伝達における2つの重要な課題を解決するために,多要素ガウス法を適用し,実世界のデータセット上での有効性を実証する。
論文 参考訳(メタデータ) (2022-11-26T06:38:34Z) - Microscopy is All You Need [0.0]
我々は、機械学習手法を開発するための有望な経路は、ドメイン固有のデプロイ可能なアルゴリズムの経路であると主張している。
これは基礎的な物理研究の恩恵を受け、ロボット工学や製造といったより複雑な自律システムのテストベッドとして機能する。
論文 参考訳(メタデータ) (2022-10-12T18:41:40Z) - When Bioprocess Engineering Meets Machine Learning: A Survey from the
Perspective of Automated Bioprocess Development [3.687740185234604]
機械学習(ML)はバイオプロセス工学の発展に大きく貢献しているが、その応用は限られている。
このレビューでは、バイオプロセス開発におけるMLベースの自動化の概要について概観する。
論文 参考訳(メタデータ) (2022-09-02T14:30:49Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。