Variable-specific preprocessing enables cross-scale transferable Raman models from high-throughput bioreactor data

Sung-Hyuk Han

doi:10.1186/s40643-026-01105-5

Variable-specific preprocessing enables cross-scale transferable Raman models from high-throughput bioreactor data

2026-08-29

0

OA

AI

DOI：10.1186/s40643-026-01105-5

原文链接

原文求助

摘要

En 中文

拉曼光谱作为过程分析技术（PAT）被越来越多地用于生物过程的实时监测。然而，使用高通量（HT）微型生物反应器系统开发的化学计量模型在应用于更大规模的过程时，往往表现出有限的预测性能，反映了跨尺度模型转移中的分布外（OOD）挑战。本研究探讨了变量特定的数据预处理策略是否能提高使用HT细胞培养数据校准的拉曼化学计量模型的跨尺度预测性能。针对关键的细胞培养目标输出，系统地评估了多种预处理方法，并基于其最小化跨尺度预测误差的能力为每个输出选择了最优预处理流程。优化的变量特定预处理流程与标准的单尺度预处理流程相比，在五个最初转移性较差的目标输出中，使跨尺度预测误差（RMSEP）降低了14.0–56.1%。因此，这些优化的单尺度模型实现了接近资源密集型组合尺度模型的预测精度。重要的是，这种改进不依赖于特定的预处理技术，而是在于为每个目标输出的光谱特性选择合适的预处理策略。这些发现表明，智能预处理选择可以减轻拉曼化学计量模型中的分布外效应，并使使用HT数据集进行模型校准实现跨尺度的更可靠预测。该方法突显了拉曼光谱作为工业生物过程开发中实用且可扩展的PAT工具的潜力。

Keyword:

Raman spectroscopy

Chemometric modeling

Process analytical technology (PAT)

Cross-scale transferability

CHO cell culture

Data preprocessing

Variable-specific preprocessing enables cross-scale transferable Raman models from high-throughput bioreactor data

摘要

期刊

机构