Accelerated bioprocess research by autonomous experimentation and Bayesian modeling

Osthege, Michael; Wiechert, Wolfgang; Blank, Lars M.

doi:HT030735834

Accelerated bioprocess research by autonomous experimentation and Bayesian modeling

Osthege, Michael^RWTH*

2023 & 2024

Verantwortlichkeitsangabevorgelegt von M.Sc. Michael Osthege

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Wiechert, Wolfgang (Thesis advisor)^RWTH* ; Blank, Lars M. (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-12-13

Online
DOI: 10.18154/RWTH-2024-04287
URL: https://publications.rwth-aachen.de/record/984915/files/984915.pdf

Einrichtungen

Projekte

Digitalisierung in der Industriellen Biotechnologie (DigInBio) - Teilprojekt A (031B0463A) (031B0463A)

Inhaltliche Beschreibung (Schlagwörter)
Bayesian inference (frei) ; bioprocess development (frei) ; laboratory automation (frei)

Thematische Einordnung (Klassifikation)
DDC: 570

Kurzfassung
In Zeiten einer schnell wachsenden Bioökonomie ist die zügige Entwicklung neuer und die Optimierung bestehender Bioprozesse durch Laborautomatisierung eine der wichtigsten Herausforderungen in der Bioverfahrenstechnik. In Kombination mit Kultivierung im mL-Maßstab versprechen diese Automatisierungsplattformen, zuverlässig genaue Ergebnisse zu liefern, die mit manueller Arbeit allein nur mühsam zu erzielen wären. Die Vielseitigkeit von Bioprozessen und die Eigenheiten der experimentellen Methoden haben jedoch das Potenzial, die Etablierung automatisierter Arbeitsabläufe so weit auszubremsen, dass sie nicht lohnt. Organisationen, die auf Laborautomatisierung setzen, benötigen daher dringend Lösungen, die eine schnelle Implementierung von Automatisierungsabläufen ermöglichen. Um die Entwicklung solcher Verfahren zu beschleunigen, wurde ein Prozessleitsystem und ein damit integiertes Ökosystem zusätzlicher Softwarelösungen entwickelt. Diese neue Plattformarchitektur ermöglicht es Anwendern, schnell modernste autonome Experimentierabläufe für ihre Forschung zu implementieren. Die breite Anwendbarkeit der Plattform wird durch Beispielprozesse für die Produktion von kleinen Molekülen oder die Charakterisierung von Ganzzell-Biokatalysatoren demonstriert. Zur Erleichterung der quantitativen Datenanalyse und Bestimmung von Unsicherheiten wird ein Grundverständnis von Kalibrierungsmodellen als Verknüpfung zwischen experimentellem Messrauschen und Likelihood-Funktionen vorgestellt. Für mehrere Projekte ermöglichte dieser Rahmen die Anwendung von Bayes'schen hierarchischen Modellen auf Datensätze, die auf der Laborautomatisierungsplattform gewonnen wurden. Anhand von Beispielen, die vom klassischen maschinellen Lernen bis zur Bayes'schen Optimierung reichen, zeigen die Anwendungsstudien die Effektivität der Kombination von programmierbaren autonomen Experimenten mit modernen statistischen Modellierungstechniken.

In times of a fast growing bioeconomy, the fast-paced development of new, and optimization of existing bioprocesses using laboratory automation is one of the most important challenges in bioprocess engineering. In combination with cultivation capabilities at the mL scale, these automation platforms promise to reliably deliver accurate results that would be laborious to obtain by manual labor alone. However, the versatility of bioprocesses and the peculiarities of biochemical procedures have the potential to curb the establishment of automated workflows to the point where they are no longer viable. Consequently, organizations that rely on laboratory automation are in dire need of solutions that enable fast implementation of automation workflows. To accelerate the establishment of such workflows, a process control system and ecosystem of auxiliary software solutions were developed. This new platform architecture and infrastructure enables practicioners to quickly implement cutting-edge autonomous experimentation workflows for their research. The broad applicability of the platform is demonstrated by example projects such as bioprocesses for the production of small molecules or the characterization of whole-cell biocatalysts. To facilitate quantitative data analysis under uncertainty, a bottom-up understanding of calibration models as the linkage between experimental measurement noise and likelihood functions is presented. For multiple application projects, this framework enabled the application of Bayesian hierarchical modeling to datasets obtained on the laboratory automation platform. With examples from classical machine learning to Bayesian optimization with hierarchical differential equation models or Gaussian processes, the application studies demonstrate the effectiveness of combining programmable autonomous experimentation with modern statistical modeling techniques.

OpenAccess:
PDF
(additional files)