論文の概要: RAPTOR-GEN: RApid PosTeriOR GENerator for Bayesian Learning in Biomanufacturing

• arxiv url: http://arxiv.org/abs/2509.20753v1
• Date: Thu, 25 Sep 2025 05:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.703547
• Title: RAPTOR-GEN: RApid PosTeriOR GENerator for Bayesian Learning in Biomanufacturing
• Title（参考訳）: RAPTOR-GEN:バイオマニュファクチャリングにおけるベイズ学習のためのRApid PosTerior GENerator
• Authors: Wandi Xu, Wei Xie,
• Abstract要約: 本稿では,メカニズムインフォームドベイズ学習フレームワークRAPTOR-GENを紹介する。 RAPTOR-GENは、スパースおよび異種実験データからインテリジェントデジタルツイン開発を加速するように設計されている。 制御可能な誤りを考慮した高速かつ堅牢なRAPTOR-GENアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 2.918639959397167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biopharmaceutical manufacturing is vital to public health but lacks the agility for rapid, on-demand production of biotherapeutics due to the complexity and variability of bioprocesses. To overcome this, we introduce RApid PosTeriOR GENerator (RAPTOR-GEN), a mechanism-informed Bayesian learning framework designed to accelerate intelligent digital twin development from sparse and heterogeneous experimental data. This framework is built on a multi-scale probabilistic knowledge graph (pKG), formulated as a stochastic differential equation (SDE)-based foundational model that captures the nonlinear dynamics of bioprocesses. RAPTOR-GEN consists of two ingredients: (i) an interpretable metamodel integrating linear noise approximation (LNA) that exploits the structural information of bioprocessing mechanisms and a sequential learning strategy to fuse heterogeneous and sparse data, enabling inference of latent state variables and explicit approximation of the intractable likelihood function; and (ii) an efficient Bayesian posterior sampling method that utilizes Langevin diffusion (LD) to accelerate posterior exploration by exploiting the gradients of the derived likelihood. It generalizes the LNA approach to circumvent the challenge of step size selection, facilitating robust learning of mechanistic parameters with provable finite-sample performance guarantees. We develop a fast and robust RAPTOR-GEN algorithm with controllable error. Numerical experiments demonstrate its effectiveness in uncovering the underlying regulatory mechanisms of biomanufacturing processes.
• Abstract（参考訳）: バイオ医薬品製造は公衆衛生にとって不可欠であるが、バイオプロセスの複雑さと変動性のため、迅速かつオンデマンドなバイオセラピー生産の機敏さに欠ける。 これを解決するために、我々は、疎結合で異種な実験データから、インテリジェントなデジタル双対開発を加速するためのメカニズムインフォームドベイズ学習フレームワークRAPTOR-GENを紹介した。 このフレームワークは多スケール確率的知識グラフ(pKG)上に構築され、確率微分方程式(SDE)に基づく基礎モデルとして定式化され、バイオプロセスの非線形力学を捉える。 RAPTOR-GENは2つの成分からなる。 一 生処理機構の構造情報を利用した線形雑音近似(LNA)と、不均一かつスパースなデータを融合し、潜時状態変数の推測と難易度関数の明示的近似を可能にする逐次学習戦略を融合した解釈可能なメタモデル。 (II)Langevin 拡散 (LD) を用いた効率の良いベイズ後方サンプリング法により, 導出可能性の勾配を利用して後方探査を高速化する。 ステップサイズ選択の課題を回避するためにLNAアプローチを一般化し、証明可能な有限サンプル性能保証を持つ機械的パラメータの堅牢な学習を容易にする。 制御可能な誤りを考慮した高速かつ堅牢なRAPTOR-GENアルゴリズムを開発した。 バイオマニュファクチャリングプロセスの根底にある制御機構を明らかにする上で,その効果を示す数値実験を行った。

関連論文リスト

• A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
  本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。 後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。 実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
  論文  参考訳（メタデータ） (2025-05-06T04:39:34Z)
• Error Broadcast and Decorrelation as a Potential Artificial and Natural Learning Mechanism [34.75158394131716]
  本稿では,ニューラルネットワークの新しい学習フレームワークであるError Broadcast and Decorrelation(EBD)を紹介する。 EBDは個々のレイヤに直接出力エラーを送信することで、クレジットの割り当てに対処する。 我々の研究は、EBDをニューラルネットワークトレーニングの効率よく、生物学的に妥当で、原則的に代替するものとして確立した。
  論文  参考訳（メタデータ） (2025-04-15T19:00:53Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Weakly Supervised Set-Consistency Learning Improves Morphological Profiling of Single-Cell Images [0.6491172192043603]
  単一セル画像における摂動効果の学習表現を改善するために,設定レベルの整合性学習アルゴリズムset-DINOを提案する。 5000以上の遺伝的摂動を伴う大規模光ポーリングスクリーニングデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-06-08T00:53:30Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• 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)
• 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)

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。