在藥物發酵過程中優化產量對數據驅動建模提出了獨特的挑戰。批次週期長達數天，製程參數即時持續變化，而最終活性藥物成分（API）的產量只能在批次結束時測量。這種延遲回饋阻礙了過程中的校正，並限制了傳統即時控制方法的有效性。變數間複雜的相互作用，加上有限的歷史批次數據，進一步造成了高雜訊、數據稀缺的環境，從而限制了傳統建模方法的應用。
本文提出了一種基於JMP的結構化機器學習方法，用於研究藥物生物製程中發酵產量下降的原因，並確定產量恢復和最佳化的策略。為了解決結果延遲問題，我們將發酵過程分成離散的時間階段，以便能夠分階段分析製程行為。這種分階段結構將每個階段的參數表現與最終產量結果連結起來，並創建了批次健康狀況的替代指標，這些指標可以在批次結束前進行監測。
利用描述性統計、分佈分析和製程能力研究，將歷史高產批次與低產量批次進行對比，以識別關鍵偏差。對包括進料速率、脂肪酸濃度、pH值、溶氧量、劑量變數和原料一致性在內的關鍵參數進行單獨和組合分析。建立四分位閾值和抑制限值，以確定每個參數的可操作控制範圍。
本文在JMP中採用整合框架，應用了線性迴歸、CART和隨機森林三種機器學習模型，並結合貝葉斯最佳化方法進行實驗。這些模型共同捕捉線性趨勢、可解釋的決策規則和非線性交互作用，從而識別最佳操作範圍，以資料驅動的系統方法取代傳統的試誤法進行製程最佳化。
分階段整合方法成功地將導致產量下降的製程訊號與正常的批次間雜訊區分開來，並針對每個發酵階段的進料速率、脂肪酸濃度、pH值、溶解氧、添加量變數和原料一致性，確定了清晰、可操作的操作範圍、四分位閾值和抑制限值。在這些階段特定範圍內運行的批次，其活性明顯高於以往表現不佳的批次，且活性更加穩定。此外，貝葉斯最佳化步驟進一步優化了建議的操作點，超越了僅基於樹模型和回歸模型所確定的範圍，無需進行大量的額外實驗即可收斂到接近最優的條件。
這項工作的核心目標是實現民主化：將通常需要專門的資料科學團隊才能完成的建模工作，轉變為製程工程師和營運人員可以自行運行和解讀的工作流程。透過將分階段基準測試、整合建模和貝葉斯優化完全整合到 JMP 的互動式平台中，分析及其輸出、控制範圍、分階段建議以及基於 Profiler 的數位孿生模型，日常運行發酵流程的人員可以直接存取。這種轉變將產量優化從週期性的專家主導專案轉變為持續可用的自助服務功能，並為其他 JMP 用戶提供了一個模板，可將其應用於自身俱有延遲結果和高變異性的流程。
