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

Resumo Técnico: Um Framework de Otimização Bayesiana com Humano no Ciclo para o Desenvolvimento de Bioprocessos com Sensibilidade a Restrições

Definição do Problema
O desenvolvimento de bioprocessos, particularmente na manufatura biofarmacêutica, enfrenta desafios significativos devido a espaços operacionais de alta dimensão, experimentos caros e demorados, variabilidade biológica intrínseca e restrições regulatórias rigorosas (Quality by Design, QbD). Os métodos tradicionais de Design de Experimentos (DoE) são frequentemente estáticos, definidos a priori, e têm dificuldade em se adaptar conforme a informação se acumula, tornando-se ineficientes para sistemas complexos, ruidosos ou mal compreendidos. Embora a Otimização Bayesiana (BO) ofereça uma alternativa sequencial e eficiente em termos de dados ao equilibrar exploração e explotação, os frameworks de BO totalmente automatizados carecem frequentemente da interpretabilidade e flexibilidade exigidas em ambientes regulados de alto risco. Especialistas frequentemente precisam incorporar conhecimento tácito relativo à manufaturabilidade, segurança e viabilidade, que é difícil de codificar em funções de aquisição rígidas. Além disso, a BO padrão frequentemente falha em abordar explicitamente duas necessidades de engenharia críticas: satisfazer restrições rígidas (ex: Atributos Críticos de Qualidade ou CQAs) e garantir a robustez contra perturbações de entrada (ex: variabilidade de Parâmetros Críticos de Processo ou CPPs).

Metodologia
O artigo propõe uma extensão da Pareto Front Guided Sampling (PFGS), um framework de Otimização Bayesiana com Humano no Ciclo (Human-in-the-Loop - HitL). Em vez de retornar uma única recomendação automatizada, a PFGS apresenta um conjunto de candidatos experimentais não dominados em uma fronteira de Pareto, permitindo que especialistas de domínio interajam e selecionem o próximo lote com base em trade-offs visualizados.

A metodologia central envolve os seguintes componentes:

1. Modelagem de Substituição (Surrogate Modeling): Modelos de Processos Gaussianos (GPs) são treinados em dados experimentais acumulados para fornecer estimativas de média posterior ($\mu$) e incerteza ($\sigma$) para os outputs do processo.
2. Reformulação Multiobjetivo: O framework reformula quantidades de BO padrão e restrições em um problema de otimização multiobjetivo. Os objetivos são projetados em uma fronteira de Pareto e visualizados via projeções 2D pareadas em um dashboard interativo.
3. Extensão de Otimização com Restrições: Para lidar com restrições de CQA (ex: limites de pureza), o framework incorpora a probabilidade posterior de satisfazer a restrição como um objetivo de Pareto explícito. Esta probabilidade é computada analiticamente a partir da distribuição posterior do GP (ex: $P(\theta_l \leq f_c(x) \leq \theta_u)$).
4. Extensão de Otimização Robusta: Para abordar a degradação de desempenho sob variabilidade de entrada, o framework integra uma estratégia de amostragem de Monte Carlo (MC). Esta estima o desempenho esperado de limite inferior de confiança sobre uma distribuição definida pelo usuário de perturbações de entrada (desvios de CPP). Este score de robustez é adicionado como um quarto objetivo de Pareto.
5. Fluxo de Trabalho HitL:
   • Um GP inicial é treinado em um conjunto de dados (ex: Amostragem de Hipercubo Latino).
   • Um grande conjunto de receitas candidatas é avaliado pelos modelos de substituição.
   • Um otimizador multiobjetivo (NSGA-II) gera a fronteira de Pareto baseada em objetivos: desempenho previsto, incerteza preditiva, probabilidade de satisfação de restrição e robustez.
   • O especialista define limiares (ex: título mínimo, probabilidade mínima de restrição) para filtrar a fronteira de Pareto.
   • O especialista seleciona manualmente um lote de experimentos a partir dos candidatos filtrados ou delega a seleção a uma rotina automatizada baseada na distância até um "ponto utópico".
   • Novos dados são coletados, o GP é retreinado e o ciclo se repete.

Principais Contribuições
O artigo apresenta quatro contribuições primárias para o campo da BO e engenharia de bioprocessos:

1. PFGS com Restrições: Estende o algoritmo PFGS para incorporar a satisfação probabilística de CQA como um objetivo de Pareto adicional, permitindo a visualização explícita do trade-off entre desempenho e viabilidade.
2. PFGS Robusta: Integra critérios de robustez via amostragem de MC, permitindo que os candidatos sejam avaliados com base em sua resiliência a variações de CPP esperadas, em vez de apenas no desempenho nominal.
3. Visualização Interativa: Desenvolve um dashboard interativo e um fluxo de trabalho que torna os trade-offs multidimensionais complexos (desempenho, incerteza, restrições, robustez) interpretáveis para especialistas de domínio, facilitando a tomada de decisão informada sem exigir o design de novas funções de aquisição.
4. Reorganização de Framework: Demonstra que os objetivos de BO existentes podem ser reorganizados em um framework multiobjetivo HitL para melhorar a interpretabilidade e a aplicabilidade, em vez de depender de funções de aquisição novas e complexas.

Resultados
O framework foi validado usando um simulador de cultura de células CHO (Chinese Hamster Ovary) em batelada alimentada de oito dimensões com três saídas: título, agregação e pureza.

• Iteração Inicial: O sistema identificou com sucesso uma fronteira de Pareto onde os especialistas puderam filtrar candidatos com base em uma probabilidade mínima de pureza (ex: >60%) e título mínimo (>1000 mg/L).
• Progresso Iterativo: Ao longo de seis iterações, a fronteira de Pareto evoluiu para mostrar títulos previstos mais altos e melhor probabilidade de satisfação de restrições. A projeção de robustez demonstrou que uma fração maior de candidatos manteve o desempenho sob perturbações de CPP conforme o modelo melhorava.
• Adaptabilidade do Especialista: O estudo de caso ilustrou como os requisitos dos especialistas poderiam evoluir; estágios iniciais priorizaram o ganho de informação (alta incerteza), enquanto estágios posteriores priorizaram o refinamento conservador (alta probabilidade de restrição, baixa incerteza).
• Critérios de Parada: O framework forneceu um critério de parada fundamentado: quando nenhum candidato permanecia que satisfizesse os requisitos evolutivos do especialista, indicando que a região de interesse havia sido suficientemente caracterizada.

Significância e Alegações
Os autores alegam que este framework aborda o "gap de confiança" na otimização automatizada ao tornar as recomendações do modelo interpretáveis e acionáveis para especialistas de domínio. Ao expor simultaneamente os trade-offs entre desempenho previsto, incerteza do modelo, satisfação probabilística de restrições e robustez de entrada, o framework apoia a alocação informada de recursos experimentais e fornece um critério de parada fundamentado.

O artigo enfatiza que a metodologia não se limita a bioprocessos ou Processos Gaussianos; ela é amplamente transferível para qualquer disciplina de engenharia que envolva experimentação cara, otimização com restrições e tomada de decisão consciente de incertezas. Os autores observam modestamente que o framework não introduz uma nova função de aquisição, mas sim reorganiza estratégias existentes para integrar melhor o conhecimento especializado humano. Eles reconhecem limitações, incluindo o potencial de viés humano ao definir requisitos e a dependência da convergência do otimizador multiobjetivo subjacente (NSGA-II). Trabalhos futuros sugerem incluir otimização de multi-fidelidade e comparações com estratégias totalmente automatizadas.