.png){kind=icon}
返回
Reinforcement Learning for Robust Dynamic Metabolic Control
.png){kind=icon}
OA
AI
DOI：10.1002/bit.70077.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态代谢调控允许关键代谢通量在实时中被调节，增强了生物过程的灵活性并扩展了可用的优化自由度。这通过例如靶向调节代谢酶的表达来实现。然而，由于通常的高维解空间以及需要管理由诱导酶表达引起的代谢负担和细胞毒性效应，识别最优动态控制策略具有挑战性。任务进一步因随机动力学而复杂化，这降低了生物过程的可重复性。我们提出一个强化学习框架，通过允许智能体（控制器）与代理动态模型交互来推导最优策略。为提高鲁棒性，我们应用领域随机化，使控制器能够泛化不确定性。当转移到实验系统时，智能体原则上可以继续微调策略。我们的框架为常规模型控制（如模型预测控制）提供了替代方案，后者需要模型对决策变量的微分；这对于复杂的随机、非线性、刚性及分段定义的动力学往往不切实际。相比之下，我们的方法依赖于模型的正向积分，从而简化了任务。我们在两种大肠杆菌生物过程中展示了该框架：用于脂肪酸合成的乙酰辅酶A羧化酶的动态控制，以及用于乳酸合成的腺苷三磷酸酶的动态控制。
Keyword:
bioprocess
dynamic metabolic control
machine learning
optimization
reinforcement learning
stochasticity
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.6
论文数:
9.8K
被引数:
2.2W
机构
引用论文
Reinforcement learning for efficient and robust multi-setpoint and multi-trajectory tracking in bioprocesses生物过程中高效且鲁棒的多设定点与多轨迹跟踪的强化学习
OAAI
OAAI分享收藏Toward a modeling, optimization, and predictive control framework for fed-batch metabolic cybergenetics迈向补料分批代谢cybergenetics的建模，优化和预测控制框架OAAI
OAAI分享收藏Nonlinear model predictive control of fed-batch fermentations using dynamic flux balance models
PREAI
分享收藏Development of Optogenetic Dual-Switch System for Rewiring Metabolic Flux for Polyhydroxybutyrate Production.png)
MOLECULESOAAI
MOLECULESIF4.6
OAAI分享收藏Experimentally implemented dynamic optogenetic optimization of ATPase expression using knowledge-based and Gaussian-process-supported models使用基于知识和高斯过程支持的模型，通过实验实现了ATPase表达的动态光遗传学优化OAAI
OAAI分享收藏
查看更多内容