💻 computer science

A Human-in-the-Loop Bayesian Optimization Framework for Constraint-Aware Bioprocess Development

यह शोध पत्र एक विस्तारित ह्यूमन-इन-द-लूप बायेसियन ऑप्टिमाइज़ेशन फ्रेमवर्क प्रस्तुत करता है जो मल्टी-ऑब्जेक्टिव पारेटो फ्रंट में कंस्ट्रेंड और रोबस्ट ऑप्टिमाइज़ेशन को एकीकृत करता है, जिससे डोमेन विशेषज्ञ अनुमानित प्रदर्शन, अनिश्चितता, बाधा संतुष्टि और इनपुट परिवर्तनों के विरुद्ध मजबूती के बीच संतुलन बनाकर इष्टतम बायोप्रोसेस स्थितियों को इंटरैक्टिव रूप से विज़ुअलाइज़ और चयन करने में सक्षम होते हैं।

मूल लेखक: Samuel Stricker, Claus Wirnsperger, Alessandro Butté, Laura Helleckes, Gonzalo Guillén Gosálbez, Antonio del Rio Chanona, Mehmet Mercangöz

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Samuel Stricker, Claus Wirnsperger, Alessandro Butté, Laura Helleckes, Gonzalo Guillén Gosálbez, Antonio del Rio Chanona, Mehmet Mercangöz

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही महंगे और नाजुक केक की एकदम सही रेसिपी खोजने की कोशिश कर रहे हैं। लेकिन एक पेंच है: आप पैसे खत्म होने से पहले केवल कुछ ही केक बना सकते हैं, और आपके पास कोई आदर्श रेसिपी बुक भी नहीं है। आपको अंदाज़ा लगाना होगा, बेक करना होगा, स्वाद लेना होगा, और फिर जो आपने सीखा उसके आधार पर फिर से अंदाज़ा लगाना होगा।

यह पेपर विशेषज्ञों को ऐसे अंदाज़े लगाने में मदद करने के लिए एक नया तरीका बताता है, विशेष रूप से जीवित कोशिकाओं (बायोप्रोसेस) का उपयोग करके दवाएं बनाने के लिए। लेखक इस विधि को "ह्यूमन-इन-द-लूप बायेसियन ऑप्टिमाइज़ेशन" (Human-in-the-Loop Bayesian Optimization) कहते हैं।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. समस्या: "ब्लैक बॉक्स" केक

पुराने समय में, वैज्ञानिक हर संभव सामग्री के संयोजन का परीक्षण करने के लिए एक कठोर चेकलिस्ट (जैसे एक ग्रिड) का उपयोग करते थे। यह धीमा और बर्बादी भरा है।
बायेसियन ऑप्टिमाइज़ेशन (BO) एक स्मार्ट तरीका है। यह एक "जादुई अंदाज़ा लगाने वाले" (एक कंप्यूटर मॉडल) की तरह है जो आपके द्वारा बनाए गए हर केक से सीखता है। प्रत्येक बेकिंग के बाद, मॉडल दुनिया के अपने मानचित्र को अपडेट करता है, और आपको बताता है कि अगला सबसे अच्छा अंदाज़ा कहाँ हो सकता है।

हालाँकि, पारंपरिक BO आमतौर पर केवल यह कहता है: "यह विशिष्ट केक बेक करें।" यह जोखिम भरा है क्योंकि:

मॉडल गलत हो सकता है।
केक सुरक्षा जांच (जैसे बहुत अधिक चीनी होना) में विफल हो सकता है।
केक लैब में बहुत स्वादिष्ट हो सकता है, लेकिन यदि आप ओवन का तापमान थोड़ा बदल देते हैं तो यह बिखर सकता है (यह "रोबस्ट" या मजबूत नहीं है)।

2. समाधान: "पारेटो डैशबोर्ड" (The Pareto Dashboard)

लेखकों ने सिस्टम में सुधार किया है और कंप्यूटर को अकेले अंतिम निर्णय लेने से रोक दिया है। इसके बजाय, उन्होंने एक डैशबोर्ड बनाया है जो मानव विशेषज्ञ को केवल एक विकल्प के बजाय विकल्पों की एक सूची दिखाता है।

इस डैशबोर्ड को एक ट्रेड-ऑफ (समझौते) के मेनू के रूप में सोचें। कंप्यूटर केवल यह कहने के बजाय कि "केक A बेक करें," कहता है:

विकल्प 1: स्वादिष्ट होने की उच्च संभावना है, लेकिन हम सामग्रियों के बारे में बहुत अनिश्चित हैं। (उच्च इनाम, उच्च जोखिम)
विकल्प 2: हमें सामग्रियों के बारे में बहुत यकीन है, लेकिन यह केवल "ठीक-ठाक" हो सकता है। (कम जोखिम, कम इनाम)
विकल्प 3: यह स्वादिष्ट है, लेकिन यदि ओवन बहुत गर्म हो गया, तो यह जल जाएगा। (नाजुक/Fragile)
विकल्प 4: यह स्वादिष्ट है, और यदि ओवन का तापमान उतार-चढ़ाव होता है, तो भी यह खराब नहीं होगा। (मजबूत/Robust)

मानव विशेषज्ञ इस मेनू को देखता है और उस विकल्प को चुनता है जो उसके वर्तमान लक्ष्य के अनुकूल हो। शायद आज वे किसी बड़ी सफलता (breakthrough) के लिए जोखिम लेना चाहते हैं; कल वे सुरक्षित रहना चाहते हैं।

3. तीन नई महाशक्तियाँ

पेपर इस मेनू में तीन विशिष्ट "फिल्टर" जोड़ता है ताकि वास्तविक दुनिया में दवा बनाने के लिए यह उपयोगी हो सके:

"सुरक्षा जांच" फ़िल्टर (Constrained Optimization):
कल्पना कीजिए कि आप एक ऐसी दवा बना रहे हैं जिसे 99% शुद्ध होना ही चाहिए। कंप्यूटर केवल स्वाद का अंदाज़ा नहीं लगाता; यह गणना करता है कि केक के शुद्धता परीक्षण को पास करने की संभावना कितनी है। यदि किसी रेसिपी के पास पास होने की 90% संभावना है, तो वह मेनू पर रहती है। यदि उसके पास 10% संभावना है, तो उसे हटा दिया जाता है, भले ही वह बहुत स्वादिष्ट क्यों न हो। यह सुनिश्चित करता है कि मानव विशेषज्ञ उन रेसिपीज़ पर समय बर्बाद न करे जो गुणवत्ता जांच में विफल होने की संभावना रखती हैं।
"तनाव परीक्षण" फ़िल्टर (Robust Optimization):
वास्तविक दुनिया में, मशीनें पूर्ण नहीं होती हैं। आप तापमान 37°C पर सेट कर सकते हैं, लेकिन मशीन वास्तव में 37.2°C तक पहुँच सकती है। कंप्यूटर अब इन छोटी गलतियों का अनुकरण (simulate) करता है। यह पूछता है: "यदि तापमान थोड़ा भटक जाता है, तो क्या यह रेसिपी अभी भी काम करती है?"
- नाजुक रेसिपी (Fragile Recipe): 37.0°C पर पूरी तरह से काम करती है लेकिन 37.2°C पर विफल हो जाती है।
- मजबूत रेसिपी (Robust Recipe): 37.0°C पर भी अच्छा काम करती है और 37.2°C पर भी अच्छा काम करती है।
  डैशबोर्ड मजबूत (robust) वाली रेसिपी को हाइलाइट करता है, ताकि विशेषज्ञ ऐसी रेसिपी चुन सके जो छोटी त्रुटियों के कारण विफल न हो।
"अनिश्चितता मानचित्र" (Uncertainity Map - Exploration vs. Exploitation):
डैशबोर्ड यह दिखाता है कि कंप्यूटर कितना "नहीं जानता" है। यदि कंप्यूटर किसी विशेष क्षेत्र में बहुत अधिक अनुमान लगा रहा है, तो वह उन रेसिपीज़ को "उच्च सूचना लाभ" (High Information Gain) के रूप में चिह्नित करता है। यह विशेषज्ञ को यह तय करने में मदद करता है: "क्या मैं एक सुरक्षित, ज्ञात केक बनाना चाहता हूँ, या मैं कुछ नया सीखने के लिए एक जोखिम भरी चीज़ बनाना चाहता हूँ?"

4. व्यवहार में यह कैसे काम करता है

लेखकों ने इसका परीक्षण चाइनीज हैम्स्टर ओवरी (CHO) सेल कल्चर के एक कंप्यूटर सिमुलेशन पर किया। यह एक जटिल जैविक प्रक्रिया है जिसका उपयोग एंटीबॉडी (एक प्रकार की दवा) बनाने के लिए किया जाता है।

उन्होंने कुछ शुरुआती प्रयोगों के साथ शुरुआत की।
कंप्यूटर ने एक "पारेटो फ्रंट" (ट्रेड-ऑफ का मेनू) तैयार किया।
मानव विशेषज्ञ ने मेनू देखा, कुछ नियम निर्धारित किए (जैसे "मैं केवल उन रेसिपीज़ चाहता हूँ जिनके पास शुद्धता पास करने की 90% संभावना हो" और "मैं तापमान परिवर्तनों के प्रति मजबूत रहना चाहता हूँ") और प्रयोगों का एक बैच चुना।
उन्होंने प्रयोग चलाए, परिणामों को वापस कंप्यूटर में डाला, और यह चक्र दोहराया गया।

परिणाम

पेपर का दावा है कि यह विधि विशेषज्ञों को पुराने तरीकों की तुलना में बहुत तेज़ी से उच्च-प्रदर्शन वाली, सुरक्षित और स्थिर रेसिपी खोजने में मदद करती है। यह अनुकूलन (optimization) प्रक्रिया को एक "ब्लैक बॉक्स" से बदलकर, जो केवल एक उत्तर देता है, कंप्यूटर के गणित और मानव के अनुभव के बीच एक सहयोगात्मक बातचीत में बदल देता है।

संक्षेप में: कंप्यूटर भारी गणनाओं, संभावनाओं और "क्या-होता-अगर" (what-ifs) के सिमुलेशन का काम करता है, लेकिन मानव के पास स्टीयरिंग व्हील होता है, जो जोखिम, इनाम और सुरक्षा के बीच संतुलन बनाने वाला रास्ता चुनता है।

तकनीकी सारांश: बाधा-जागरूक बायोप्रोसेस विकास के लिए एक ह्यूमन-इन-द-लूप बायेसियन ऑप्टिमाइजेशन फ्रेमवर्क

समस्या विवरण
बायोप्रोसेस विकास, विशेष रूप से बायोफार्मास्युटिकल विनिर्माण में, उच्च-आयामी ऑपरेटिंग स्पेस, महंगी और समय लेने वाली प्रयोगात्मक प्रक्रियाओं, अंतर्निहित जैविक परिवर्तनशीलता और कड़े नियामक प्रतिबंधों (क्वालिटी बाय डिज़ाइन, QbD) के कारण महत्वपूर्ण चुनौतियों का सामना करता है। पारंपरिक डिज़ाइन ऑफ एक्सपेमेंट्स (DoE) विधियाँ अक्सर स्थिर होती हैं, जो पूर्व-निर्धारित (a priori) होती हैं, और जैसे-जैसे जानकारी संचित होती है, अनुकूलन करने में संघर्ष करती हैं, जिससे वे जटिल, शोर वाले या कम समझ वाले सिस्टम के लिए अक्षम हो जाती हैं। जबकि बायेसियन ऑप्टिमाइजेशन (BO) अन्वेषण (exploration) और दोहन (exploitation) के बीच संतुलन बनाकर एक डेटा-कुशल, क्रमिक विकल्प प्रदान करता है, पूरी तरह से स्वचालित BO फ्रेमवर्क उन व्याख्यात्मकता और लचीलेपन की कमी का सामना करता है जो उच्च-जोखिम, विनियमित वातावरण के लिए आवश्यक है। विशेषज्ञों को अक्सर विनिर्माण क्षमता, सुरक्षा और व्यवहार्यता के संबंध में अपने अंतर्ज्ञान (tacit knowledge) को शामिल करने की आवश्यकता होती है, जिसे कठोर अधिग्रहण कार्यों (acquisition functions) में कोड करना कठिन होता है। इसके अलावा, मानक BO अक्सर दो महत्वपूर्ण इंजीनियरिंग आवश्यकताओं को स्पष्ट रूप से संबोधित करने में विफल रहता है: कठोर बाधाओं (जैसे, CQA) को संतुष्ट करना और इनपुट गड़बड़ियों (जैसे, CPP परिवर्तनशीलता) के विरुद्ध मजबूती सुनिश्चित करना।

कार्यप्रणाली
यह शोध पत्र पारेटो फ्रंट गाइडेड सैंपलिंग (PFGS) के विस्तार का प्रस्ताव करता है, जो एक ह्यूमन-इन-द-लूप (HitL) बायेसियन ऑप्टिमाइजेशन फ्रेमवर्क है। एक एकल स्वचालित सिफारिश देने के बजाय, PFGS गैर-प्रमुख (non-dominated) उम्मीदवार प्रयोगों का एक पारेटो फ्रंट प्रस्तुत करता है, जिससे डोमेन विशेषज्ञ दृश्यमान ट्रेड-ऑफ के आधार पर अगले बैच का चयन करने के लिए इंटरैक्टिव रूप से जुड़ सकते हैं।

मुख्य कार्यप्रणाली में निम्नलिखित घटक शामिल हैं:

सरोगेट मॉडलिंग: संचित प्रयोगात्मक डेटा पर गाऊसी प्रोसेस (GP) मॉडल प्रशिक्षित किए जाते हैं ताकि प्रक्रिया आउटपुट के लिए पोस्टीरियर मीन भविष्यवाणियां ( $\mu$ ) और अनिश्चितता अनुमान ( $\sigma$ ) प्रदान की जा सकें।
बहु-उद्देश्यीय पुनर्गठन: फ्रेमवर्क मानक BO मात्राओं और बाधाओं को एक बहु-उद्देश्यीय अनुकूलन समस्या में पुनर्गठित करता है। उद्देश्यों को एक पारेटो फ्रंट पर प्रोजेक्ट किया जाता है और एक इंटरैक्टिव डैशबोर्ड पर युग्मवार (pairwise) 2D प्रोजेक्शन के माध्यम से प्रदर्शित किया जाता है।
बाधित अनुकूलन विस्तार: CQA बाधाओं (जैसे, शुद्धता सीमा) को संभालने के लिए, फ्रेमवर्क बाधा को संतुष्ट करने की पोस्टीरियर संभावना को एक स्पष्ट पारेटो उद्देश्य के रूप में शामिल करता है। यह संभावना GP पोस्टीरियर वितरण (जैसे, $P(\theta_l \leq f_c(x) \leq \theta_u)$ ) से विश्लेषणात्मक रूप से गणना की जाती है।
मजबूत अनुकूलन (Robust Optimization) विस्तार: इनपुट परिवर्तनशीलता के तहत प्रदर्शन गिरावट को संबोधित करने के लिए, फ्रेमवर्क एक मोंटे कार्लो (MC) सैंपलिंग रणनीति को एकीकृत करता है। यह इनपुट गड़बड़ियों (CPP विचलन) के उपयोगकर्ता-निर्धारित वितरण पर अपेक्षित लोअर-कॉन्फिडेंस प्रदर्शन का अनुमान लगाता है। इस मजबूती स्कोर को चौथे पारेटो उद्देश्य के रूप में जोड़ा जाता है।
HitL वर्कफ़्लो:
- एक प्रारंभिक GP को एक डेटासेट (जैसे, लैटिन हाइपरक्यूब सैंपलिंग) पर प्रशिक्षित किया जाता है।
- उम्मीदवारों के एक बड़े सेट का सरोगेट मॉडल द्वारा मूल्यांकन किया जाता है।
- एक बहु-उद्देश्यीय ऑप्टिमाइज़र (NSGA-II) उद्देश्यों के आधार पर पारेटो फ्रंट उत्पन्न करता है: अनुमानित प्रदर्शन, भविष्य कहनेवाला अनिश्चितता, बाधा संतुष्टि की संभावना और मजबूती।
- विशेषज्ञ पारेटो फ्रंट को फ़िल्टर करने के लिए थ्रेशोल्ड (जैसे, न्यूनतम टाइटर, न्यूनतम बाधा संभावना) निर्धारित करते हैं।
- विशेषज्ञ "यूटोपिया पॉइंट" से दूरी के आधार पर फिल्टर किए गए उम्मीदवारों में से प्रयोगों के एक बैच का चयन करता है या चयन को एक स्वचालित रूटीन को सौंप देता है।
- नया डेटा एकत्र किया जाता है, GP को पुन: प्रशिक्षित किया जाता है, और चक्र दोहराया जाता है।

प्रमुख योगदान
यह शोध पत्र BO और बायोप्रोसेस इंजीनियरिंग के क्षेत्र में चार प्राथमिक योगदान देता है:

कन्स्ट्रेंड PFGS: शुद्धता (purity) को एक अतिरिक्त पारेटो उद्देश्य के रूप में शामिल करने के लिए PFGS एल्गोरिदम को विस्तारित करता है, जो प्रदर्शन और व्यवहार्यता के बीच ट्रेड-ऑफ को स्पष्ट रूप से विज़ुअलाइज़ करने में सक्षम बनाता है।
रोबस्ट PFGS: MC सैंपलिंग के माध्यम से मजबूती मानदंडों को एकीकृत करता है, जिससे उम्मीदवारों का मूल्यांकन केवल नाममात्र प्रदर्शन के बजाय अपेक्षित CPP परिवर्तनशीलता के प्रति उनके लचीलेपन के आधार पर किया जा सकता है।
इंटरैक्टिव विज़ुअलाइज़ेशन: एक इंटरैक्टिव डैशबोर्ड और वर्कफ़्लो विकसित करता है जो जटिल, बहु-आयामी ट्रेड-ऑफ (प्रदर्शन, अनिश्चितता, बाधाएं, मजबूती) को डोमेन विशेषज्ञों के लिए व्याख्यात्मक बनाता है, जिससे नए अधिग्रहण कार्यों के डिजाइन के बिना सूचित निर्णय लेना आसान हो जाता है।
फ्रेमवर्क पुनर्गठन: यह प्रदर्शित करता है कि कैसे मौजूदा BO उद्देश्यों को बेहतर व्याख्यात्मकता और कार्रवाई क्षमता के लिए एक HitL बहु-उद्देश्यीय फ्रेमवर्क में पुनर्गठित किया जा सकता है, बजाय इसके कि नए, जटिल अधिग्रहण कार्यों पर निर्भर रहा जाए।

परिणाम
इस फ्रेमवर्क को आठ-आयामी फेड-बैच चाइनीज हैम्स्टर ओवरी (CHO) सेल कल्चर सिम्युलेटर का उपयोग करके मान्य किया गया था जिसमें तीन आउटपुट थे: टाइटर, एग्रीगेशन और प्योरिटी।

प्रारंभिक पुनरावृत्ति (Iteration): सिस्टम ने सफलतापूर्वक एक पारेटो फ्रंट की पहचान की जहाँ विशेषज्ञ न्यूनतम शुद्धता संभावना (जैसे, >60%) और न्यूनतम टाइटर (>1000 mg/L) के आधार पर उम्मीदवारों को फ़िल्टर कर सकते थे।
पुनरावृत्ति प्रगति: छह पुनरावृत्तियों के दौरान, पारेटो फ्रंट विकसित हुआ जिससे उच्च अनुमानित टाइटर्स और बेहतर बाधा संतुष्टि संभावनाएँ दिखाई दीं। मजबूती प्रोजेक्शन ने दिखाया कि मॉडल में सुधार के साथ, उम्मीदवारों का एक बड़ा हिस्सा CPP गड़बड़ियों के तहत प्रदर्शन बनाए रखता है।
विशेषज्ञ अनुकूलन क्षमता: केस स्टडी ने दिखाया कि कैसे विशेषज्ञ आवश्यकताएं विकसित हो सकती हैं; शुरुआती चरणों में सूचना प्राप्ति (उच्च अनिश्चितता) को प्राथमिकता दी गई, जबकि बाद के चरणों में रूढ़िवादी परिशोधन (उच्च बाधा संभावना, कम अनिश्चितता) को प्राथमिकता दी गई।
रुकने के मानदंड (Stopping Criteria): फ्रेमवर्क ने एक सिद्धांतपूर्ण रुकने का मानदंड प्रदान किया: जब कोई भी उम्मीदवार विशेषज्ञ की विकसित होती आवश्यकताओं को संतुष्ट नहीं कर पाता था, तो यह संकेत मिला कि रुचि का क्षेत्र पर्याप्त रूप से चरित्रित हो गया है।

महत्व और दावे
लेखकों का दावा है कि यह फ्रेमवर्क मॉडल अनुशंसाओं को डोमेन विशेषज्ञों के लिए व्याख्यात्मक और कार्रवाई योग्य बनाकर स्वचालित अनुकूलन में "ट्रस्ट गैप" को संबोधित करता है। अनुमानित प्रदर्शन, मॉडल अनिश्चितता, संभावabilistic बाधा संतुष्टि और इनपुट मजबूती के बीच ट्रेड-ऑफ को एक साथ प्रदर्शित करके, यह फ्रेमवर्क प्रयोगात्मक संसाधनों के सूचित आवंटन का समर्थन करता है और एक सिद्धांतपूर्ण रुकने का मानदंड प्रदान करता है।

यह पेपर इस बात पर जोर देता है कि पद्धति केवल बायोप्रोसेस या गाऊसी प्रोसेस तक सीमित नहीं है; यह किसी भी इंजीनियरिंग अनुशासन के लिए व्यापक रूप से हस्तांतरणीय है जिसमें महंगी प्रयोगात्मक प्रक्रियाएं, बाधित अनुकूलन और अनिश्चितता-जागरूक निर्णय लेना शामिल है। लेखक विनम्रतापूर्वक नोट करते हैं कि यह फ्रेमवर्क एक नया अधिग्रहण कार्य पेश नहीं करता है, बल्कि मानव विशेषज्ञता को बेहतर ढंग से एकीकृत करने के लिए मौजूदा रणनीतियों को पुनर्गठित करता है। वे सीमाओं को भी स्वीकार करते हैं, जिसमें आवश्यकताओं को सेट करने में मानवीय पूर्वाग्रह की संभावना और अंतर्निहित बहु-उद्देश्यीय ऑप्टिमाइज़र (NSGA-II) के अभिसरण (convergence) पर निर्भरता शामिल है। भविष्य के कार्य के रूप में मल्टी-फिडेलिटी ऑप्टिमाइजेशन और पूरी तरह से स्वचालित रणनीतियों के साथ तुलना का सुझाव दिया गया है।

1. समस्या: "ब्लैक बॉक्स" केक

2. समाधान: "पारेटो डैशबोर्ड" (The Pareto Dashboard)

3. तीन नई महाशक्तियाँ

4. व्यवहार में यह कैसे काम करता है

परिणाम

इसी तरह के और पेपर