Accelerating cell culture media development using Bayesian optimization-based iterative experimental design

Motivation

Known: 세포 배양 배지 최적화는 생명과학 연구와 생명공학에서 필수적인 작업이지만, 10-100개 범위의 다양한 설계 인자들로 인해 매우 복잡하고 자원 집약적이다. 기존 방법들(OFAT, Design of Experiments)은 설계 공간 전체를 광범위하게 탐색해야 하며 범주형 변수 처리에 제한이 있다.
Gap: 기존 DoE 및 메타휴리스틱 최적화 접근법은 데이터 수집, 모델링, 최적화를 분리하여 수행하고, 생물학적 잡음(noise)을 충분히 고려하지 못하며, 범주형 설계 인자와 제약 조건이 있는 설계 공간을 효율적으로 처리하지 못한다.
Why: 베이지안 최적화 기반 접근법은 비용이 많이 드는 생물학적 실험에서 탐색-활용(exploration-exploitation) 트레이드오프를 통해 실험 횟수를 대폭 줄이고, 범주형 변수와 제약 조건을 자연스럽게 처리할 수 있어 정확하고 빠른 최적화가 가능하다.
Approach: 가우시안 프로세스(Gaussian Process) 기반 확률적 서로게이트 모델과 베이지안 최적화기를 결합하여 반복적 실험 설계 프레임워크를 구축했으며, 초기 실험 세트로 GP 모델을 구성하고 각 반복에서 탐색-활용 균형을 맞추며 모델을 지속적으로 업데이트한다.

Fig. 2 | Media blend and cytokine composition optimization PBMC cultures.

PBMC 배양 배지 최적화: 세포 생존력 유지와 표현형 분포 안정성을 위한 사이토카인 보충 배지 조성을 도출하여 72시간까지 세포 배양 가능
K. phaffii 재조합 단백질 생산: 3개의 재조합 단백질 생산을 최적화하는 배지 조건을 발견하여 표준 배지 대비 향상된 성능 달성
실험 효율성 향상: 기존 DoE 방법 대비 3-30배 적은 실험으로 우수한 결과 달성 (특히 범주형 변수 포함 9개 설계 인자에서 10-30배 감소)
전이 학습 적용: 추가 설계 인자나 배지 보충제 추가 시 사후 수정 가능하고 학습 전이 가능함을 입증
복합 설계 공간 처리: 연속 변수와 범주형 변수, 제약 조건이 혼재된 복잡한 설계 공간을 효율적으로 처리

Fig. 1 | Workﬂow. Schematic representation of the Bayesian Optimization (BO)-based iterative experimental design workﬂow

가우시안 프로세스(GP)를 확률적 서로게이트 모델로 사용하여 생물학적 시스템의 부드러운 응답 함수 학습
GP에 사전 신념(prior beliefs)과 공정 잡음(process noise)을 명시적으로 포함하여 생물학적 불확실성 반영
베이지안 최적화기와 GP의 상호작용을 통해 각 반복에서 탐색(unexplored regions)-활용(favorable regions) 트레이드오프 구현
초기 실험 세트로 첫 번째 GP 모델 구축 후 반복적으로 실험 계획, 수행, 모델 업데이트 (수렴 또는 실험 예산 소진 시까지)
범주형 설계 인자를 커스텀 커널(custom kernels)로 처리하여 OFAT 및 DoE의 확장성 문제 해결
제약 조건이 있는 설계 공간에서 실험 계획 가능하게 설계