在药物发酵过程中优化产量对数据驱动建模提出了独特的挑战。批次周期长达数天，工艺参数实时持续变化，而最终活性药物成分（API）的产量只能在批次结束时测量。这种延迟反馈阻碍了过程中的校正，并限制了传统实时控制方法的有效性。变量间复杂的相互作用，加上有限的历史批次数据，进一步造成了高噪声、数据稀缺的环境，从而制约了传统建模方法的应用。
本文提出了一种基于JMP的结构化机器学习方法，用于研究药物生物工艺中发酵产量下降的原因，并确定产量恢复和优化的策略。为了解决结果延迟问题，我们将发酵过程划分为离散的时间阶段，从而能够分阶段分析工艺行为。这种分阶段结构将每个阶段的参数性能与最终产量结果联系起来，创建了批次健康状况的替代指标，这些指标可以在批次结束前进行监测。
利用描述性统计、分布分析和过程能力研究，将历史高产批次与低产批次进行对比，以识别关键偏差。对包括进料速率、脂肪酸浓度、pH值、溶解氧、剂量变量和原料一致性在内的关键参数进行单独和组合分析。建立四分位阈值和抑制限值，以确定每个参数的可操作控制范围。
本文在JMP中采用集成框架，应用了线性回归、CART和随机森林三种机器学习模型，并结合贝叶斯优化方法进行实验。这些模型共同捕捉线性趋势、可解释的决策规则和非线性交互作用，从而识别最佳操作范围，以数据驱动的系统方法取代传统的试错法进行过程优化。
分阶段集成方法成功地将导致产量下降的工艺信号与正常的批次间噪声区分开来，并针对每个发酵阶段的进料速率、脂肪酸浓度、pH值、溶解氧、添加量变量和原料一致性，确定了清晰、可操作的操作范围、四分位阈值和抑制限值。在这些阶段特定范围内运行的批次，其活性明显高于以往表现不佳的批次，且活性更加稳定。此外，贝叶斯优化步骤进一步优化了推荐的操作点，超越了仅基于树模型和回归模型所确定的范围，无需进行大量的额外实验即可收敛到接近最优的条件。
这项工作的核心目标是实现民主化：将通常需要专门的数据科学团队才能完成的建模工作，转变为工艺工程师和运营人员可以自行运行和解读的工作流程。通过将分阶段基准测试、集成建模和贝叶斯优化完全集成到 JMP 的交互式平台中，分析及其输出、控制范围、分阶段建议以及基于 Profiler 的数字孪生模型，日常运行发酵流程的人员可以直接访问。这种转变将产量优化从周期性的专家主导项目转变为持续可用的自助服务功能，并为其他 JMP 用户提供了一个模板，可将其应用于自身具有延迟结果和高变异性的流程。
