Advancing Reversed-Phase Chromatography Analytics of Influenza Vaccines Using Machine Learning Approaches on a Diverse Range of Antigens and Formulations
Notice bibliographique
Résumé
One concern in the yearly re-formulation of influenza vaccines is the time-consuming manufacturing of vaccine potency reagents, particularly for emergency responses. The continuous evaluation of modern techniques such as reversed-phase (RP) chromatography is an asset for streamlining this process. One challenge with RP methods, however, is the need to re-optimize methods for antigens that show poor separation, which can be highly dependent on analyst experience and available data. In this study, we leveraged a large RP dataset of influenza antigens to explore machine learning (ML) approaches of classifying challenging separations for computer-assisted method re-optimization across years, products, and analysts. Methods: To address recurring chromatographic issues—such as poor resolution, strain co-elution, and signal absence—we applied data augmentation techniques to correct class imbalance and trained multiple supervised ML classifiers to distinguish between these peak profiles. Results: With data augmentation, several ML models demonstrated promising accuracy in classifying chromatographic profiles according to the provided labels. These models effectively distinguished patterns indicative of separation issues in real-world data. Conclusions Our findings highlight the potential of ML as a computer assisted tool in the evaluation of vaccine quality, offering a scalable and objective approach to chromatogram classification. By reducing reliance on manual interpretation, ML can expedite the optimization of analytical methods, which is particularly needed for rapid responses. Future research involving larger, inter-laboratory datasets will further elucidate the utility of ML in vaccine analysis.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».