論文の概要: Multi-fidelity Gaussian Process for Biomanufacturing Process Modeling
with Small Data
- arxiv url: http://arxiv.org/abs/2211.14493v1
- Date: Sat, 26 Nov 2022 06:38:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 15:37:36.325943
- Title: Multi-fidelity Gaussian Process for Biomanufacturing Process Modeling
with Small Data
- Title(参考訳): 微小データを用いたバイオマニュファクチャリングプロセスモデリングのための多要素ガウス過程
- Authors: Yuan Sun, Winton Nathan-Roberts, Tien Dung Pham, Ellen Otte, Uwe
Aickelin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.4687789417816917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In biomanufacturing, developing an accurate model to simulate the complex
dynamics of bioprocesses is an important yet challenging task. This is
partially due to the uncertainty associated with bioprocesses, high data
acquisition cost, and lack of data availability to learn complex relations in
bioprocesses. To deal with these challenges, we propose to use a statistical
machine learning approach, multi-fidelity Gaussian process, for process
modelling in biomanufacturing. Gaussian process regression is a
well-established technique based on probability theory which can naturally
consider uncertainty in a dataset via Gaussian noise, and multi-fidelity
techniques can make use of multiple sources of information with different
levels of fidelity, thus suitable for bioprocess modeling with small data. We
apply the multi-fidelity Gaussian process to solve two significant problems in
biomanufacturing, bioreactor scale-up and knowledge transfer across cell lines,
and demonstrate its efficacy on real-world datasets.
- Abstract(参考訳): バイオマニュファクチャリングでは、バイオプロセスの複雑な力学をシミュレートする正確なモデルを開発することが重要な課題である。
これは、バイオプロセスに関連する不確実性、高いデータ取得コスト、バイオプロセスにおける複雑な関係を学ぶためのデータ可用性の欠如による部分がある。
これらの課題に対処するため, 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提案する。
ガウス過程回帰は、ガウス雑音によるデータセットの不確かさを自然に考慮できる確率理論に基づく確立された手法であり、多忠実性技術は複数の情報ソースを異なるレベルの忠実度で利用でき、小さなデータを用いたバイオプロセスモデリングに適している。
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示す。
関連論文リスト
- Weighted Diversified Sampling for Efficient Data-Driven Single-Cell Gene-Gene Interaction Discovery [56.622854875204645]
本稿では,遺伝子・遺伝子相互作用の探索に先進的なトランスフォーマーモデルを活用する,データ駆動型計算ツールを活用した革新的なアプローチを提案する。
新たな重み付き多様化サンプリングアルゴリズムは、データセットのたった2パスで、各データサンプルの多様性スコアを算出する。
論文 参考訳(メタデータ) (2024-10-21T03:35:23Z) - BioDiffusion: A Versatile Diffusion Model for Biomedical Signal
Synthesis [4.765541373485142]
BioDiffusionは生物医学信号の合成に最適化された拡散に基づく確率モデルである。
我々の研究は、合成されたデータ品質の質的および定量的評価の両方を包含する。
論文 参考訳(メタデータ) (2024-01-12T23:52:44Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Machine learning in bioprocess development: From promise to practice [58.720142291102135]
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。
論文 参考訳(メタデータ) (2022-10-04T13:48:59Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - 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) - Exploring the potential of transfer learning for metamodels of
heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。
我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。
これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2020-10-28T12:43:46Z) - 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)
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。