論文の概要: Holistic Bioprocess Development Across Scales Using Multi-Fidelity Batch Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2508.10970v1
• Date: Thu, 14 Aug 2025 16:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.622591
• Title: Holistic Bioprocess Development Across Scales Using Multi-Fidelity Batch Bayesian Optimization
• Title（参考訳）: マルチフィデリティバッチベイズ最適化を用いた全体的バイオプロセス開発
• Authors: Adrian Martens, Mathias Neufang, Alessandro Butté, Moritz von Stosch, Antonio del Rio Chanona, Laura Marie Helleckes,
• Abstract要約: 本稿では,バイオプロセス開発を高速化し,実験コストを削減するため,多要素バッチベイズ最適化フレームワークを提案する。 ベンチマークには,中国のハムスターOvaryバイオプロセスのカスタムシミュレーションが用いられている。 ケーススタディは、提案されたワークフローが実験コストの削減と収量の増加を実現する方法を示している。
• 参考スコア（独自算出の注目度）: 37.69303106863453
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Bioprocesses are central to modern biotechnology, enabling sustainable production in pharmaceuticals, specialty chemicals, cosmetics, and food. However, developing high-performing processes is costly and complex, requiring iterative, multi-scale experimentation from microtiter plates to pilot reactors. Conventional Design of Experiments (DoE) approaches often struggle to address process scale-up and the joint optimization of reaction conditions and biocatalyst selection. We propose a multi-fidelity batch Bayesian optimization framework to accelerate bioprocess development and reduce experimental costs. The method integrates Gaussian Processes tailored for multi-fidelity modeling and mixed-variable optimization, guiding experiment selection across scales and biocatalysts. A custom simulation of a Chinese Hamster Ovary bioprocess, capturing non-linear and coupled scale-up dynamics, is used for benchmarking against multiple simulated industrial DoE baselines. Multiple case studies show how the proposed workflow can achieve a reduction in experimental costs and increased yield. This work provides a data-efficient strategy for bioprocess optimization and highlights future opportunities in transfer learning and uncertainty-aware design for sustainable biotechnology.
• Abstract（参考訳）: バイオプロセスは現代のバイオテクノロジーの中心であり、医薬品、特殊化学物質、化粧品、食品の持続可能な生産を可能にしている。 しかし、高性能なプロセスの開発はコストが高く複雑であり、マイクロタイタプレートからパイロットリアクターへの反復的なマルチスケール実験が必要である。 従来の実験設計(DoE)アプローチは、プロセスのスケールアップと反応条件の協調最適化と生物触媒の選択に苦慮することが多い。 本稿では,バイオプロセス開発を高速化し,実験コストを削減するため,多要素バッチベイズ最適化フレームワークを提案する。 この手法は多要素モデルと混合変数最適化に適したガウス過程を統合し、スケールと生体触媒をまたいだ実験選択を導く。 中国のハムスターOvaryバイオプロセスのカスタムシミュレーションは、複数のシミュレーションされた産業用DoEベースラインに対するベンチマークに使用される。 複数のケーススタディは、提案されたワークフローが実験コストの削減と収量の増加を実現する方法を示している。 この研究は、バイオプロセス最適化のためのデータ効率戦略を提供し、持続可能なバイオテクノロジーのためのトランスファーラーニングと不確実性を考慮した設計の今後の機会を強調している。

関連論文リスト

• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Process-constrained batch Bayesian approaches for yield optimization in multi-reactor systems [2.812898346527047]
  本研究は,マルチリアクタ系における反応の収率を最適化する新しい手法を提案する。 シーケンシャルなバッチ最適化戦略において、探索とエクスプロイトの間の実験的制約とバランスを統合する。
  論文  参考訳（メタデータ） (2024-08-05T15:26:39Z)
• 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)
• Designing Robust Biotechnological Processes Regarding Variabilities using Multi-Objective Optimization Applied to a Biopharmaceutical Seed Train Design [3.674863913115431]
  この貢献は、不確実性に基づく上流シミュレーションとガウス過程を用いたベイズ最適化を結合したワークフローを提供する。 プロセス開発における関連産業課題のシミュレーションケーススタディでその応用を実証した。 最適化されたプロセスは、生存可能な細胞密度に関して、はるかに低い偏差率を示した。
  論文  参考訳（メタデータ） (2022-05-06T14:33:02Z)
• 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)
• Constrained multi-objective optimization of process design parameters in settings with scarce data: an application to adhesive bonding [48.7576911714538]
  接着プロセスに最適なプロセスパラメータを見つけることは困難である。 遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。 本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
  論文  参考訳（メタデータ） (2021-12-16T10:14:39Z)
• Multi-objective simulation optimization of the adhesive bonding process of materials [50.591267188664666]
  このような接着プロセスの最適プロセスパラメータを見つけることは困難である。 本研究では,ガウス過程回帰とロジスティック回帰を用いてベイズ最適化を行った。
  論文  参考訳（メタデータ） (2021-12-09T09:58:58Z)
• 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)

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。