类型a：学术研究报告
作者及机构
该研究由浙江大学药学院药物信息学研究所的徐钊、陈杭和瞿海斌*（通讯作者）合作完成，发表于《生物工程学报》（Chinese Journal of Biotechnology），网络首发日期为2025年12月25日，DOI编号为10.13345/j.cjb.250654。研究得到浙江省重点研发计划（2023C03116）的资助。
学术背景
本研究属于生物过程建模与人工智能交叉领域，聚焦单克隆抗体（monoclonal antibodies, mAbs）生产的细胞培养过程优化。单克隆抗体是生物制药的核心产品，2021年全球市场规模达3280亿美元，预计2030年将增长至8530亿美元。然而，传统数据驱动的机器学习模型依赖大量数据且缺乏物理规律约束，而物理信息神经网络（Physics-Informed Neural Networks, PINN）虽能融合机理方程，但在小样本条件下易陷入次优解。因此，本研究旨在开发一种改进的混合物理信息神经网络（SS-IHPINN），通过物理引导初始化和计划采样（Scheduled Sampling, SS）模块提升模型在小样本下的鲁棒性和迁移学习能力。
研究流程
-
数据集构建
-
基于杂交瘤细胞分批补料培养的七阶动力学模型，通过MATLAB仿真生成数据，模拟两种进料模式（同时进料流和独立进料流）。
-
生成8批次含5%高斯噪声的数据，采用8折交叉验证（1批次测试，7批次训练）。为评估泛化能力，额外生成近域（初始设计水平±10%–15%）和远域（±15%–20%）数据集。
-
-
模型设计
-
SS-IHPINN框架：在混合物理信息神经网络（Hybrid-PINN）基础上，引入物理引导初始化（取代零初始化）和计划采样模块。计划采样采用反向Sigmoid衰减策略（公式17），逐步减少对真实数据的依赖。
-
迁移学习：固定物理信息层，微调数据驱动层，适应新工艺参数。
-
-
对比与消融实验
-
性能对比：与门控循环单元（GRU）、物理信息GRU（PI-GRU）、Transformer及物理信息Transformer（PI-Transformer）比较，评估RMSE和R²。
-
消融实验：分析物理引导初始化（IHPINN）和计划采样（SS-HPINN）单独及协同作用的效果。
-
-
开源验证
- 在Asrav开源数据集（污水处理单元和半间歇式反应器）上验证SS-IHPINN的普适性。
主要结果
-
模型性能
-
SS-IHPINN在活细胞密度（x）、乳酸（lac）和单克隆抗体（mab）预测中表现最优（R²>0.90），葡萄糖（glc）和谷氨酰胺（gln）预测显著优于PI-GRU和PI-Transformer（p<0.05）。
-
消融实验显示，物理引导初始化与计划采样的协同作用使RMSE最大降低47%（表3）。
-
-
迁移学习
-
未经微调的SS-IHPINN在外推任务中优于其他模型；微调后，其在近域数据集的RMSE进一步降低51%（表5）。
-
硬约束框架（Hybrid-PINN）虽限制部分适应性，但在变量x预测中仍优于软约束模型。
-
结论与价值
本研究提出的SS-IHPINN通过物理约束与数据驱动的协同优化，显著提升了小样本条件下的建模精度和泛化能力，为生物制药过程的实时监控和工艺优化提供了可靠工具。其科学价值在于：
-
方法创新：首次将计划采样与物理引导初始化结合，解决了PINN在小样本下的次优解问题。
-
应用潜力：在仿真和开源数据集中均验证了鲁棒性，为复杂生物过程建模树立了新范式。
研究亮点
-
多模块协同：物理初始化约束解空间，计划采样增强训练稳定性，二者协同提升性能。
-
跨领域验证：在细胞培养和化工过程（污水处理）中均表现优异，证明方法普适性。
-
迁移学习突破：首次将迁移学习应用于细胞培养的PINN建模，显著降低新任务数据需求。
其他价值
研究揭示了硬约束框架在泛化能力上的权衡，为后续研究（如多目标损失函数优化）提供了方向。此外，代码公开和数据集仿真细节（表1）增强了研究的可重复性。