論文の概要: Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes
- arxiv url: http://arxiv.org/abs/2409.02149v1
- Date: Tue, 3 Sep 2024 09:38:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-05 21:50:21.087713
- Title: Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes
- Title（参考訳）: 細胞培養プロセスの性能予測とモニタリングのためのアンサンブル学習とモンテカルロサンプリングを用いた不確実性定量化
- Authors: Thanh Tung Khuat, Robert Bassett, Ellen Otte, Bogdan Gabrys,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.762212551172391
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Biopharmaceutical products, particularly monoclonal antibodies (mAbs), have gained prominence in the pharmaceutical market due to their high specificity and efficacy. As these products are projected to constitute a substantial portion of global pharmaceutical sales, the application of machine learning models in mAb development and manufacturing is gaining momentum. This paper addresses the critical need for uncertainty quantification in machine learning predictions, particularly in scenarios with limited training data. Leveraging ensemble learning and Monte Carlo simulations, our proposed method generates additional input samples to enhance the robustness of the model in small training datasets. We evaluate the efficacy of our approach through two case studies: predicting antibody concentrations in advance and real-time monitoring of glucose concentrations during bioreactor runs using Raman spectra data. Our findings demonstrate the effectiveness of the proposed method in estimating the uncertainty levels associated with process performance predictions and facilitating real-time decision-making in biopharmaceutical manufacturing. This contribution not only introduces a novel approach for uncertainty quantification but also provides insights into overcoming challenges posed by small training datasets in bioprocess development. The evaluation demonstrates the effectiveness of our method in addressing key challenges related to uncertainty estimation within upstream cell cultivation, illustrating its potential impact on enhancing process control and product quality in the dynamic field of biopharmaceuticals.
- Abstract（参考訳）: 生薬製品、特にモノクローナル抗体(mAbs)は、その特異性や有効性から、医薬品市場において顕著である。
これらの製品は、世界の製薬販売のかなりの部分を占めると予測されているため、mAbの開発・製造における機械学習モデルの適用が勢いを増している。
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,特に訓練データに制限のあるシナリオについて論じる。
本手法では,アンサンブル学習とモンテカルロシミュレーションを応用し,モデルのロバスト性を高めるために追加の入力サンプルを生成する。
我々は,Raman spectraデータを用いたバイオリアクター実行時のグルコース濃度の事前測定とリアルタイムモニタリングの2つのケーススタディにより,本手法の有効性を検証した。
本研究は, プロセス性能予測に関連する不確実性レベルを推定し, バイオ医薬品製造におけるリアルタイム意思決定を容易にする手法の有効性を実証するものである。
この貢献は、不確実性定量化のための新しいアプローチを導入するだけでなく、バイオプロセス開発における小さなトレーニングデータセットによってもたらされる課題を克服するための洞察を提供する。
本評価は, 上流細胞培養における不確実性評価に関わる重要な課題に対処する上での本手法の有効性を実証し, バイオ医薬品の動的分野におけるプロセス制御と製品品質の向上に対するその潜在的影響を示唆するものである。
関連論文リスト
- Hyperbox Mixture Regression for Process Performance Prediction in Antibody Production [8.479659578608233]
本稿では,ハイパーボックスを用いた入力空間分割を用いた新しいHMRモデルを提案する。
本研究では,15日間の培養期間におけるモノクローナル抗体製造における品質特性の予測におけるモデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-11-03T02:04:35Z) - InstructBio: A Large-scale Semi-supervised Learning Paradigm for
Biochemical Problems [38.57333125315448]
InstructMolは、ラベルなし例をうまく活用するための半教師付き学習アルゴリズムである。
InstructBioは分子モデルの一般化能力を大幅に改善する。
論文 参考訳（メタデータ） (2023-04-08T04:19:22Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳（メタデータ） (2022-06-20T14:53:25Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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) - Extracting Chemical-Protein Interactions via Calibrated Deep Neural
Network and Self-training [0.8376091455761261]
データ不確実性を推定し、信頼性を向上させるため、ディープラーニングモデルに"校正"技術が適用されている。
本研究では, 化学物質-タンパク質相互作用を抽出するために, 不確実性情報とキャリブレーション手法を取り入れたDNNベースの手法を提案する。
我々の手法は,従来の手法よりも高い校正能力を維持しつつ,Biocreative VI ChemProtタスクに関して最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2020-11-04T10:14:31Z) - 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) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳（メタデータ） (2020-06-25T08:46:37Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z) - Interpretable Off-Policy Evaluation in Reinforcement Learning by
Highlighting Influential Transitions [48.91284724066349]
強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。
信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。
我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
論文 参考訳（メタデータ） (2020-02-10T00:26:43Z)
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。