生物工程学报

作者：徐钊，陈杭，瞿海斌

单位：浙江大学 药学院 药物信息学研究所，浙江 杭州 310058

关键词：单克隆抗体;杂交瘤细胞;物理信息神经网络;迁移学习;计划采样

基金：浙江省重点研发计划(2023C03116)

物理信息神经网络(physics-informed neural networks, PINN)将机理方程融入神经网络以提升模型预测精度，已初步应用于细胞培养过程建模。虽然PINN凭借物理规律对解空间进行约束减少了对数据量的依赖，但在小样本场景下，仍有可能收敛到次优解。本研究提出了一种改进的混合物理信息神经网络(improved hybrid-physics-informed neural network with scheduled sampling, SS-IHPINN)，通过物理引导初始化和计划采样模块为单克隆抗体细胞培养过程建立更稳健的模型。通过对比实验和消融实验对SS-IHPINN进行了评估和比较，结果表明这2个功能模块的协同作用使SS-IHPINN具有更高的预测性能。即使细胞培养过程参数发生变化，该框架也表现出良好的泛化和迁移学习能力。本研究提出的方法有效提升了小样本条件下的建模性能，为生物过程的监测提供了可靠的技术支撑。

来源：2026年第2期

《生物工程学报》期刊编辑部

查看生物工程学报杂志2026年第2期