Машинное обучение помогает анализировать процесс высокоэффективной вирусной фильтрации
Исследовательская группа под руководством профессора Ван Иньхуа из Института инженерных процессов (IPE) Китайской академии наук разработала фреймворк машинного обучения (ML) для анализа процессов вирусной фильтрации при очистке терапевтических белков. Новый метод позволяет интеллектуально идентифицировать критические параметры, влияющие на эффективность удержания вирусов, и предоставляет прогнозные рекомендации для оптимизации процесса. Результаты опубликованы в Journal of Membrane Science.
Вирусная фильтрация — ключевой этап обеспечения безопасности биофармацевтических препаратов, но процесс осложняется взаимодействием свойств мембраны, рабочих настроек и условий раствора. Традиционные подходы плохо учитывают нелинейные взаимосвязи и синергетические эффекты между такими факторами, как тип мембраны, поток, концентрация белка и объемная производительность, что ограничивает эффективную разработку процесса.
Для решения этих проблем исследователи собрали более 900 наборов данных из рецензируемых публикаций, чтобы создать базу данных для процессов очистки от вирусов, обучить модели ML и проанализировать сложные эффекты связи ключевых параметров, установив подход, основанный на данных, для эффективной разработки процессов удаления вирусов.
Оценка важности признаков позволила расставить приоритеты ключевых параметров вирусной фильтрации, предоставив руководство для оптимизации процесса. Анализ одномерных графиков частной зависимости (PDP) выявил независимое влияние каждой переменной на удержание вируса, а двумерный анализ PDP показал, что увеличение потока смягчает негативные эффекты взаимодействия переменных на значение логарифмического снижения (LRV), предлагая основанные на данных механистические выводы.
Валидационные эксперименты подтвердили сильное соответствие между значениями LRV, предсказанными моделью, и измеренными экспериментально, при этом модель сохраняла точность за пределами исходного набора данных, демонстрируя надежную способность к экстраполяции и значительную инженерную ценность.
«Наш фреймворк снижает зависимость от экспериментов методом проб и ошибок, обеспечивая быстрый прогноз процесса. Он также решает проблему стандартизации протоколов данных, необходимых для комплексной интенсификации процесса», — сказал профессор Фан Жун, автор-корреспондент исследования.
Это исследование устанавливает основанную на данных парадигму оптимизации для вирусной фильтрации, предлагая масштабируемое ML-решение для интеллектуальной интенсификации нисходящей биофармацевтической очистки.