ИИ-оптимизация биопроцессов как услуга

Модель биопроцесса должна выучить многомерную, нелинейную и меняющуюся во времени систему по обучающей выборке, которая необычно мала и необычно скоррелирована. Это свойство не чьей-то конкретной математики, а стоимости запуска. Кампания разработки даёт десятки ферментаций, а не тысячи: каждая идёт от одной до трёх недель, расходует среду и рабочее время аналитика и выполняется по протоколу, задача которого — удержать процесс в целевой точке. Последнее и создаёт неудобство: хорошая разработка процесса намеренно держит переменные постоянными, поэтому в доступных для обучения запусках почти нет той вариации, по которой модель могла бы различить причины.

Ограничение — корреляция, а не объём выборки#

Скорость подпитки, плотность клеток, потребление кислорода, лактат и осмоляльность в нормальном запуске движутся вместе. Модель, подогнанная к таким данным, способна точно предсказывать титр внутри рабочего диапазона и при этом ошибаться в том, какую переменную следует менять, — она выучила связь, а не отклик. Лечение одно: эксперименты, специально спланированные так, чтобы разрушить эти корреляции. Стоит это запусками, а запуски здесь и есть дефицитный ресурс. Любая серьёзная платформа в этой области занята покупкой информации в расчёте на один запуск: байесовская оптимизация и планировщики экспериментов выбирают следующее условие по ожидаемому приросту информации, а не по ожидаемому выходу, и сознательно соглашаются на слабый запуск, если он информативен.

Второе семейство ответов — структурное. Гибридная модель оставляет механистическими уравнениями то, что действительно известно: балансы масс, кинетику типа Моно, массоперенос газа, — а машинное обучение применяет только к остатку, который выписать нельзя, обычно к удельным скоростям. Механизм бесплатно поставляет ограничения, поэтому оставшиеся параметры закрепляются гораздо меньшим числом запусков, а экстраполяция деградирует плавно, а не катастрофически. У чисто эмпирической модели такого пола нет.

Ломается всё на масштабировании#

Модель, обученная на лабораторном масштабе, кодирует режим переноса того сосуда, в котором её обучали. На производственном масштабе время смешения больше, газосодержание и размер пузырька иные, а культура живёт в градиентах растворённого кислорода, pH и субстрата, которых в трёх литрах попросту не существует. Правила масштабирования — постоянная удельная мощность, постоянная окружная скорость мешалки, постоянный коэффициент массопередачи кислорода — одновременно выполнены быть не могут, поэтому что-то обязательно меняется. Измеряемые величины по-прежнему поступают; сдвинулась связь между ними. Соседняя страница о технологическом аналитическом контроле разбирает тот же отказ для спектроскопических калибровочных моделей и статистику его обнаружения — сказанное там переносится сюда без изменений.

Что именно меняет размещение вне площадки#

Три вещи, и ни одна не касается математики. Первая: данные процесса — один из самых чувствительных активов производителя, а ценностное предложение мультиарендной платформы (объединить запуски разных клиентов, чтобы модель увидела больше вариации) прямо этому противоречит. К тому же объединение упирается в описанную выше проблему переноса: чужие запуски пришли с чужого завода. Вторая: валидированное состояние остаётся ответственностью производителя по Annex 11 EU GMP и 21 CFR Part 11 независимо от того, кто хостит программу, поэтому обновление модели на стороне поставщика — это изменение валидированной системы, которое производитель не планировал. Третья: модель за интерфейсом труднее допросить, и если рекомендацию нельзя возвести к механизму, технолог не может судить, сохранится ли она на масштабе.