[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

说明书

本发明公开了一种基于迁移学习的培养基配方开发方法及系统。所述方法包括：(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；(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。本发明通过采用少量训练数据对培养基预训练模型进行迁移训练，大大压缩了针对特定细胞配方开发所需的训练数据量，极大的缩短培养基配方的开发时间，从4‑6个月压缩至1‑2个月，显著降低开发成本。

技术领域

本发明属于生物技术领域，更具体地，涉及一种基于迁移学习的培养基配方开发方法及系统。

背景技术

无血清无动物来源、化学成分限定培养基由碳源、氨基酸、维生素、微量金属离子、脂类、缓冲试剂和其他添加试剂组成，传统的培养基配方开发方式为以某一种或几种经典培养基为基础(比如DEME/F12)，通过添加多种不同成分，采用单因素试验或DOE筛选试验找到关键组分，然后再用响应曲面等多种DOE实验设计，优化各组分浓度，以获得最佳配方；或根据细胞代谢分析、基因组学分析和蛋白组学分析找到各组分在细胞生长过程中变化情况及对目标产物产量和质量的影响来优化配方。

现有传统技术需要进行多轮试验，每次试验不能包含所有成分，费时较长，需要掌握基础化学、生化与分子生物学、细胞生物学等较多专业理论知识，获得配方可能不是最优。

结合人工智能技术的细胞培养基开发技术，则通过生成大量培养基配方，然后进行细胞培养实验，获得数据形成培养基数据集，从而训练回归预测算法模型来预测最佳培养基配方，缩短培养基开发的周期。然而这种方法的准确性在很大程度上由先验经验决定，即用来训练回归预测算法模型的配方和实验数据其数量和质量起到了决定性的影响，为了能够预测出最佳培养基配方，需要采用大量人力物力获得大量配方实验数据。当用这种回归算法来预测新的细胞的最佳配方时，需要花费大量人力物力完成大量配方数据，然后才能预测最佳配方，针对新细胞配方开发时间成本较高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于迁移学习的培养基配方开发方法及系统，其目的在于，应用迁移学习技术，采用少量针对特定细胞的培养基配方训练数据，对由大量培养基配方训练获得的预训练模型，针对特定细胞进行迅速的迁移训练，从而减少培养基AI推荐系统开发所需要的训练数据量和AI系统训练时间，迅速获得预测准确性良好的AI模型，由此解决现有的培养基开发方法需要针对特定细胞进行大量培养实验的难题，解决收集足够的训练数据导致的AI模型的训练成本高、开发周期长、已有数据库不能利用的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于迁移学习的培养基配方开发方法，其包括以下步骤：

(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。

优选地，所述基于迁移学习的培养基配方开发方法，其步骤(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。

优选地，所述基于迁移学习的培养基配方开发方法，其步骤(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，冻结所述预训练模型靠近输入端的5至10层神经层，更新其余神经层。