Dokument: Kriging basierte Analyse und Versuchsplanung in der Biotechnologie

Titel:Kriging basierte Analyse und Versuchsplanung in der Biotechnologie
Weiterer Titel:Kriging Based Data Analysis and Experimental Design in Biotechnology
URL für Lesezeichen:https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=44577
URN (NBN):urn:nbn:de:hbz:061-20180213-110322-0
Kollektion:Dissertationen
Sprache:Englisch
Dokumententyp:Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:Text
Autor: Freier, Lars [Autor]
Dateien:
[Dateien anzeigen]Adobe PDF
[Details]10,82 MB in einer Datei
[ZIP-Datei erzeugen]
Dateien vom 13.02.2018 / geändert 13.02.2018
Beitragende:Prof. Dr. Ebenhöh, Oliver [Gutachter]
Prof. Dr. Wolfgang Wiechert [Gutachter]
Stichwörter:Kriging, Gaussian Process Regression, Experimental Design, Optimization, Biotechnology
Dewey Dezimal-Klassifikation:500 Naturwissenschaften und Mathematik » 570 Biowissenschaften; Biologie
Beschreibungen:Sowohl in der Industrie als auch in der Forschung sind Prozessoptimierungen allgegenwärtig. Optimale Prozessparameterwerte, die definierte Zielkriterien maximieren oder minimieren, müssen gefunden werden. Die, insbesondere in der Biotechnologie auftretende, hohe Komplexität des zu optimierenden Systems und der hohe Kostenaufwand der Versuchsdurchführung machen die Nutzung von mathematischen Modellen attraktiv. Diese erlauben die Abschätzung des Einflusses der Prozessparameter auf die Zielgrößen als auch die Lokalisierung potentieller Optima.
In der Praxis haben sich bzgl. initialer Prozessoptimierung insbesondere empirische Modelle, wie künstliche neuronale Netze und Kriging, bewährt. Diese Art von Modellen teilen die Eigenschaft, dass sie hauptsächlich auf experimentellen Information aufbauen, nicht aber auf mechanistischen Wissen.
Die hier vorliegende Doktorarbeit beschäftig sich mit der Entwicklung und Anwendung von Kriging-basierten Optimierungsstrategien. Kriging ist ein empirisches Schätzverfahren bei dem der Zusammenhang zwischen Eingangs- und Ausgangsgröße als Gaußprozesses beschrieben wird. Der stochastische Ansatz erlaubt neben der Interpolation auch die direkte Abschätzung der Modellunsicherheit und somit die Anwendung von statistische Verfahren wie Hypothesentests. Anders als bei anderen empirischen Modellen besteht bei Kriging die Möglichkeit, zusätzlich mechanistische Modelle in die Vorhersage zu integrieren. Dies ist insbesondere bei geringer Datendichte hilfreich und macht Kriging somit zu einem hybriden Modellierungsansatz. Zum derzeitigen Stand der Technik können jedoch nur Modelle integriert werden, die linear in ihren Parametern sind. Da dies aber für viele in der Biotechnologie verwendeten Modelle nicht der Fall ist, beschäftigt sich die vorliegende Doktorarbeit u.a. mit der Fragestellung wie die Kriging-Methodologie um die Integration nichtlinearer Modelle erweitert werden kann.
Des Weiteren beschränken sich gängige Kriging-Optimierungsmethoden auf einzelne Zielkriterien. Insbesondere in der Biotechnologie besteht jedoch der Bedarf nach mehrkriterieller Optimierung bzgl. Zielgrößen, wie Reinheit, Ertrag und Produktivität. Ein wesentlicher Beitrag dieser Arbeit ist deshalb die Entwicklung des „Multi-Objective Gaussian Optimization“ (MOGO) Algorithmus, welcher neueste Methoden zur Kriging-basierten Versuchsplanung und zur Abschätzung der Modellunsicherheit in sich vereint.
Derzeitige Kriging-basierte Optimierungsalgorithmen bieten weder die Flexibilität, gewählte Parameterbereiche zu erweitern, noch unterstützen sie paralleles Experimentieren. Insbesondere in der Biotechnologie zeichnet sich jedoch derzeit ein Trend zur Parallelisierung ab, und die hohe Komplexität biologischer Systeme erschwert zusätzlich eine geeignete a priori Abschätzung von Parameterbereichen. Ein weiterer Beitrag dieser Arbeit ist deshalb die Entwicklung einer Optimierungsstrategie die im Kern eine iterative Kriging-basierte Optimierung ist, aber um Elemente erweitert wurde, um die oben genannten Schwächen zu überwinden.
Die Effektivität, Effizienz sowie die Praxistauglichkeit der in dieser Arbeit entwickelten Verfahren werden anhand von drei Fallstudien geprüft und diskutiert. Des Weiteren wird die Reproduzierbarkeit sowie das Konvergenzverhalten des MOGO-Algorithmus in einer umfangreichen in silico Studie untersucht.

Process optimization problems emerge frequently in industry as well as in academia. Here, parameter sets must be found that maximize or minimize defined quality criteria. In particular in biotechnology, the high complexity of the investigated system and the high costs of the experiments make the usage of mathematical models attractive. These enable estimating the effect of process parameters on targeted objectives as well as the localization of potential optima.
In practice, empirical models, such as artificial neural networks and Kriging, have proven useful for solving process optimization problems. These kinds of models have in common that they are primarily based on the provided experimental data set but not on mechanistic knowledge. Using Kriging, the functional relationship between input and output variables is modeled as Gaussian process. Beside the interpolation capability, the stochastic ansatz allows further the direct estimation of the model uncertainty, which can be used for statistical approaches such as hypothesis tests.
Different to other empirical modelling approaches, Kriging also cares the possibility to integrate mechanistic models into the prediction. This feature makes Kriging to a hybrid modeling approach and is in particular helpful if the data density is low. However, at the present state of research, only models can be integrated that are linear in their parameters. As many models in biotechnology do not match this criterion, the aim of this thesis is inter alia to extent the Kriging methodology by the capability to integrate also nonlinear models.
The here presented works focusses further on the development and application of Kriging based optimization strategies. State-of-the-art Kriging based optimization algorithms are restricted on the single-objective case. However, in particular in biotechnology, there exists a need for multi-objective optimization regarding objectives such as purity, yield, and productivity. A further contribution of this thesis is therefore the development of the “Multi-Objective Gaussian Optimization” (MOGO) that integrates latest methods for Kriging based Design of Experiment and for the estimation of the model uncertainty.
Further, state-of-the-art Kriging based optimization algorithms are not flexible with respect to the changes in the range of input variables nor do they support parallel experimentations. However, in biotechnology, there is a clear trend forward parallelization and the high complexity of biological systems makes it hard to define appropriated the range of input variables a priori. An additional contribution of this thesis is therefore the development of an optimization strategy that cares in its core an iterative Kriging based optimization but is extended by elements to tackle the mentioned deficiencies.
The effectiveness, efficiency as well as the practical feasibility of the here introduced approaches are examined and discussed in three case studies. Moreover, the reproducibility as well as the convergence behavior of the MOGO-algorithm are investigated in a comprehensive in silico study.
Lizenz:In Copyright
Urheberrechtsschutz
Fachbereich / Einrichtung:Mathematisch- Naturwissenschaftliche Fakultät
Dokument erstellt am:13.02.2018
Dateien geändert am:13.02.2018
Promotionsantrag am:31.03.2017
Datum der Promotion:08.12.2017
english
Benutzer
Status: Gast
Aktionen