Acoplamento de Crescimento, Fluxo e Otimização em Sistemas Complexos

Células em um grande biorreator não ficam paradas: elas circulam, e para onde vão determina o que experimentam. Uma célula passando por uma zona de alto cisalhamento e depois derivando para uma região com pouco oxigênio acumulou um histórico de exposição que molda se ela cresce, sofre estresse ou morre. Modelos bem misturados fazem a média sobre esse histórico e apagam a variância no histórico de exposição que prevê se uma célula cresce ou falha.

Prever o crescimento em nível populacional a partir dessas trajetórias requer a fusão de duas entradas qualitativamente diferentes: históricos de exposição hidrodinâmica e variáveis de estado do processo, como densidade do inóculo, oxigênio dissolvido e pH da cultura. Experimentos são caros, a maioria dos regimes operacionais é pouco observada e o espaço de entrada conjunto sobre ambos os campos é grande. Um modelo que produz uma previsão confiante em um regime bem amostrado e outra igualmente confiante em um regime que nunca viu não é útil. Ele está errado de formas que são invisíveis até que algo falhe.

Expandimos o framework de treinamento cooperativo de Yi & Bessa, que desembaraça a incerteza aleatória e epistêmica na regressão de campo único, para a configuração de múltiplos campos, e construímos uma arquitetura de fusão Bayesiana cooperativa com codificadores específicos de campo para mecânica e biologia e um mapa de fusão aprendido, treinado para que a incerteza epistêmica aumente apenas onde a cobertura conjunta é esparsa e registre a discordância entre os campos como um sinal distinguível, em vez de dobrá-la em um termo de variância indiferenciado. Concretamente, o conflito é a variância posterior da média preditiva fundida:

Esse sinal de conflito é a entrega principal que a linha de base de campo único não fornece: quando os codificadores hidrodinâmicos e biológicos dão sinais localmente divergentes, o modelo sinaliza em vez de mascarar.

O primeiro teste é um problema de regressão: dados resumos de janela fixa do histórico de exposição hidrodinâmica de uma população de células e variáveis de estado do processo, prever o desvio da taxa de crescimento da biomassa em relação a um regime operacional bem suportado. A tarefa é pequena o suficiente para validar cuidadosamente os diagnósticos de incerteza: o termo epistêmico aumenta onde a cobertura conjunta é esparsa? Ele registra o conflito de origem em vez de escondê-lo? Esses são os diagnósticos que a arquitetura deve passar, mantendo a estrutura de dois campos que as abordagens de fusão determinística não conseguem preservar sem colapsar em previsões pontuais excessivamente confiantes em regiões esparsas. A arquitetura visa o caso de dois campos; se a fusão Bayesiana cooperativa permanece bem calibrada à medida que os campos de origem se multiplicam, e se as cabeças preditivas Gaussianas se mantêm ou se alternativas baseadas em misturas e fluxos tornam-se necessárias.