[发明专利]一种基于迁移学习的培养基配方开发方法及系统

权利要求书

1.一种基于迁移学习的培养基配方开发方法，其特征在于，包括以下步骤：

(1)获取以深度神经网络为基础的培养基预训练模型以及待开发细胞的训练用培养基配方数据集；

(2)预训练模型迁移：一次或多次采用步骤(1)获取的待开发细胞的训练用培养基配方数据集，按照越靠近输出端优先级越高的原则，更新所述预训练模型的部分神经层，获得待开发细胞的回归模型；

(3)培养效果值回归预测：对于待预测的培养基配方，采用步骤(2)获得的最终模型进行培养效果值预测；所述培养效果值包括细胞活率、细胞密度、蛋白表达量和/或代谢产物浓度。

2.如权利要求1所述的基于迁移学习的培养基配方开发方法，其特征在于，步骤(2)所述更新预训练模型的部分神经层具体为：

冻结不更新部分的神经层；

采用步骤(1)获取的待开发细胞的训练用培养基配方数据集训练所述预训练模型；

使得未被冻结的网络层更新。

3.如权利要求1所述的基于迁移学习的培养基配方开发方法，其特征在于，步骤(2)当待开发细胞的训练用培养基配方数据集大小在50至500之间时，自输入端起第5层至输入端起第10层进行冻结，更新其他神经层。

4.如权利要求1所述的基于迁移学习的培养基配方开发方法，其特征在于，所述培养基预训练模型，包括依次相连的多层神经层，按照数据输入输出顺序依次为输入层、隐藏层和输出层；所述培养基配方依次经过输入层、隐藏层以及输出层预测所述培养基配方相应的培养效果值。

5.如权利要求4所述的基于迁移学习的培养基配方开发方法，其特征在于，步骤(2)包括以下子步骤：

(2-1)输出层调整：冻结步骤(1)获取的预训练模型的输入层和隐藏层，采用步骤(1)获取的待开发细胞的训练用培养基配方数据集训练所述预训练模型，使得所述预训练模型的输出层更新，获得中间训练模型；

(2-2)微调整：冻结步骤(2-1)获得的所述中间训练模型的靠近输入端的部分隐藏层，采用步骤(1)获取的待开发细胞的训练用培养基配方数据训练所述中间训练模型，使得所述中间训练模型的输出层和靠近输出端的部分隐藏层更新，获得待开发细胞的回归模型。

6.如权利要求1所述的基于迁移学习的培养基配方开发方法，其特征在于，所述培养基预训练模型，包括5到20层神经层，以配方各成分的添加浓度为输入特征，以培养效果值为输出特征，训练用数据量在1000以上。

7.如权利要求1所述的基于迁移学习的培养基配方开发方法，其特征在于，培养基预训练模型的输入特征经过特征选择步骤，选择贡献度大的特征。

8.如权利要求1所述的基于迁移学习的培养基配方开发方法，其特征在于，培养基预训练模型的训练数据，其对应的配方形成包括以下四种方法：随机生成配方、DOE实验设计配方、混合形成配方以及历史AI推荐配方。

9.一种基于迁移学习的培养基配方开发系统，其特征在于，包括：待开发细胞的训练用培养基配方数据生成模块、培养基预训练模型迁移模块以及培养效果值回归预测模块；

所述待开发细胞的训练用培养基配方数据生成模块，用于获取待开发细胞的训练用培养基配方数据集，并提交给所述培养基预训练模型迁移模块；

所述培养基预训练模型迁移模块，载入有培养基预训练模型，用于采用所述训练用培养基配方数据集按照越靠近输出端优先级越高的原则更新所述预训练模型的部分神经层，获得待开发细胞的回归模型并提交给所述培养效果值回归预测模块；

所述培养效果值回归预测模块，用于采用所述待开发细胞的回归模型预测待预测的培养基配方的培养效果值；所述培养效果值包括细胞活率、细胞密度、蛋白表达量和/或代谢产物浓度。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于迁移学习的培养基配方开发方法步骤。