Physics‐informed neural networks guided modelling and multiobjective optimization of a <scp>mAb</scp> production process
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this paper, we aim to correlate various process and product quality attributes of a mammalian cell culture process with process parameters. To achieve this, we employed physics‐informed neural networks that solve the governing ordinary differential equations comprising independent variables (inputs‐ time, flow rates, and volume) and dependent variables (outputs‐ viable cell density, dead cell density, glucose concentration, lactate concentration, and monoclonal antibody concentration). The proposed model surpasses the prediction and accuracy capabilities of other commonly used modelling approaches, such as the multilayer perceptron model. It has higher R ‐squared ( R 2 ), lower root mean square error, and lower mean absolute error than the multilayer perceptron model for all output variables (viable cell density, viability, glucose concentration, lactate concentration, and monoclonal antibody concentration). Furthermore, we incorporate a Bayesian optimization study to maximize viable cell density and monoclonal antibody concentration. Single objective optimization and weighted sum multiobjective optimization were carried out for viable cell density and monoclonal antibody concentration in separate (single objective optimization) and combined (multiobjective optimization) forms. An increment of 13.01% and 18.57% for viable cell density and monoclonal antibody concentration, respectively, were projected under single objective optimization, and 46.32% and 67.86%, respectively, for multiobjective optimization as compared to the base case. This study highlights the potential of the physics‐informed neural networks‐based modelling and optimization of upstream processing of mammalian cell‐based monoclonal antibodies in biopharmaceutical operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle