This research proposes a methodology to improve computed individual prediction values provided by an existing regression model without having to change either its parameters or its architecture. In other words, we are interested in achieving more accurate results by adjusting the calculated regression prediction values, without modifying or rebuilding the original regression model. Our proposition is to adjust the regression prediction values using individual reliability estimates that indicate if a single regression prediction is likely to produce an error considered critical by the user of the regression. The proposed method was tested in three sets of experiments using three different types of data. The first set of experiments worked with synthetically produced data, the second with cross sectional data from the public data source UCI Machine Learning Repository and the third with time series data from ISO-NE (Independent System Operator in New England). The experiments with synthetic data were performed to verify how the method behaves in controlled situations. In this case, the outcomes of the experiments produced superior results with respect to predictions improvement for artificially produced cleaner datasets with progressive worsening with the addition of increased random elements. The experiments with real data extracted from UCI and ISO-NE were done to investigate the applicability of the methodology in the real world. The proposed method was able to improve regression prediction values by about 95% of the experiments with real data. / Esta pesquisa propõe uma metodologia para melhorar previsões calculadas por um modelo de regressão, sem a necessidade de modificar seus parâmetros ou sua arquitetura. Em outras palavras, o objetivo é obter melhores resultados por meio de ajustes nos valores computados pela regressão, sem alterar ou reconstruir o modelo de previsão original. A proposta é ajustar os valores previstos pela regressão por meio do uso de estimadores de confiabilidade individuais capazes de indicar se um determinado valor estimado é propenso a produzir um erro considerado crítico pelo usuário da regressão. O método proposto foi testado em três conjuntos de experimentos utilizando três tipos de dados diferentes. O primeiro conjunto de experimentos trabalhou com dados produzidos artificialmente, o segundo, com dados transversais extraídos no repositório público de dados UCI Machine Learning Repository, e o terceiro, com dados do tipo séries de tempos extraídos do ISO-NE (Independent System Operator in New England). Os experimentos com dados artificiais foram executados para verificar o comportamento do método em situações controladas. Nesse caso, os experimentos alcançaram melhores resultados para dados limpos artificialmente produzidos e evidenciaram progressiva piora com a adição de elementos aleatórios. Os experimentos com dados reais extraído das bases de dados UCI e ISO-NE foram realizados para investigar a aplicabilidade da metodologia no mundo real. O método proposto foi capaz de melhorar os valores previstos por regressões em cerca de 95% dos experimentos realizados com dados reais.

This research proposes a methodology to improve computed individual prediction values provided by an existing regression model without having to change either its parameters or its architecture. In other words, we are interested in achieving more accurate results by adjusting the calculated regression prediction values, without modifying or rebuilding the original regression model. Our proposition is to adjust the regression prediction values using individual reliability estimates that indicate if a single regression prediction is likely to produce an error considered critical by the user of the regression. The proposed method was tested in three sets of experiments using three different types of data. The first set of experiments worked with synthetically produced data, the second with cross sectional data from the public data source UCI Machine Learning Repository and the third with time series data from ISO-NE (Independent System Operator in New England). The experiments with synthetic data were performed to verify how the method behaves in controlled situations. In this case, the outcomes of the experiments produced superior results with respect to predictions improvement for artificially produced cleaner datasets with progressive worsening with the addition of increased random elements. The experiments with real data extracted from UCI and ISO-NE were done to investigate the applicability of the methodology in the real world. The proposed method was able to improve regression prediction values by about 95% of the experiments with real data. / Esta pesquisa propõe uma metodologia para melhorar previsões calculadas por um modelo de regressão, sem a necessidade de modificar seus parâmetros ou sua arquitetura. Em outras palavras, o objetivo é obter melhores resultados por meio de ajustes nos valores computados pela regressão, sem alterar ou reconstruir o modelo de previsão original. A proposta é ajustar os valores previstos pela regressão por meio do uso de estimadores de confiabilidade individuais capazes de indicar se um determinado valor estimado é propenso a produzir um erro considerado crítico pelo usuário da regressão. O método proposto foi testado em três conjuntos de experimentos utilizando três tipos de dados diferentes. O primeiro conjunto de experimentos trabalhou com dados produzidos artificialmente, o segundo, com dados transversais extraídos no repositório público de dados UCI Machine Learning Repository, e o terceiro, com dados do tipo séries de tempos extraídos do ISO-NE (Independent System Operator in New England). Os experimentos com dados artificiais foram executados para verificar o comportamento do método em situações controladas. Nesse caso, os experimentos alcançaram melhores resultados para dados limpos artificialmente produzidos e evidenciaram progressiva piora com a adição de elementos aleatórios. Os experimentos com dados reais extraído das bases de dados UCI e ISO-NE foram realizados para investigar a aplicabilidade da metodologia no mundo real. O método proposto foi capaz de melhorar os valores previstos por regressões em cerca de 95% dos experimentos realizados com dados reais.

Made available in DSpace on 2016-08-17T18:39:30Z (GMT). No. of bitstreams: 1 2145.pdf: 2206472 bytes, checksum: 5295597725f34bdf5560d6cda8af7446 (MD5) Previous issue date: 2008-03-27 / Financiadora de Estudos e Projetos / Streptococcus pneumoniae (pneumococo) is a pathogenic bacterium that causes several infections which are aggravated by the increase of serotypes with antibiotics resistance. The development of an effective vaccine against this pathogen is crucial for the prevention of the neumococcal illnesses. Conjugated vaccines, consisting of the capsular polysaccharide joined to a carrier protein, are more efficient in the stimulation of the immunologic memory. The capsular polysaccharide (PS) is present in the capsule that involves the cell. Thus, the conjugated vaccine elaboration involves bacterial cells cultivation for its production. As the organism is cultivated in the oxygen absence, the lactate production is inevitably high, leading to growth inhibition due to lactate accumulation in the medium. To minimize the inhibitory effects of the lactate accumulation and to increase the PS production it is necessary to monitor the process and adequately control the addition of supplementary medium along with the withdrawal of saturated medium. This kind of operation can be performed by carrying out a fed-bath cultivation in a bioreactor connected to a perfusion system. The success on the monitoring, control and optimization of this bioprocess depends on the efficiency of the modeling and simulation resources employed. This research work considers the uses intelligent computational techniques, specifically the technique of heuristical search called simulated annealing (SA) combined with neural networks for the state inference and the optimization of S. pneumoniae cultivations. The proposal was implemented as a computational system that: a) uses the SA for the identification of the values for a set of parameters associated to unstructured models and; b) uses neural networks (individually and grouped as a committee) for the state inference of a culture. The work presents and discusses the results of the system for data sets experimentally obtained and highlights the importance of the proposal for achieving a higher efficiency in the culture control processes. / Streptococcus pneumoniae (pneumococo) é uma bactéria patogênica causadora de várias infecções que são agravadas pelo aumento de cepas com resistência aos antibióticos. O desenvolvimento de uma vacina efetiva contra este patógeno é crucial para a prevenção das doenças pneumocócicas. Vacinas conjugadas, constituídas pelo polissacarídeo capsular ligado a uma proteína carregadora, são mais eficientes no estímulo da memória imunológica. O polissacarídeo capsular (PS) está presente na cápsula que envolve a célula e, desta forma, a elaboração de vacinas conjugadas envolve o cultivo da bactéria para a produção do mesmo. Como o microrganismo é cultivado na ausência de oxigênio, a produção de lactato é inevitavelmente elevada e o seu acúmulo no meio provoca a inibição do crescimento. Para minimizar os efeitos inibitórios da acumulação de lactato e aumentar a produção de PS é necessário monitorar o processo e controlar adequadamente a adição de meio suplementar e a retirada de meio saturado em cultivos operados em batelada alimentada, utilizando biorreatores acoplados a sistema de perfusão. O sucesso no monitoramento, no controle e na otimização deste bioprocesso depende da utilização de recursos de modelagem e de simulação que sejam eficientes. Este trabalho de pesquisa propõe o uso de técnicas computacionais inteligentes, especificamente a técnica de busca heurística chamada de simulated annealing (SA) aliada a redes neurais, para a inferência de estado e a otimização de cultivos de S. pneumoniae. A proposta foi concretizada via desenvolvimento de um sistema computacional que: a) faz uso do SA para a identificação do conjunto de valores de parâmetros associados a modelos não estruturados e; b) usa redes neurais (individualmente e em regime de comitê) para a inferência de estado de um cultivo. O trabalho apresenta e discute os resultados do sistema em conjuntos de dados obtidos experimentalmente e evidencia a importância da proposta para uma maior eficiência no controle de processos de cultivo.

Made available in DSpace on 2016-06-02T19:55:31Z (GMT). No. of bitstreams: 1 4085.pdf: 6460777 bytes, checksum: 9367318799fc091b43ee6716e5057271 (MD5) Previous issue date: 2011-12-22 / Financiadora de Estudos e Projetos / High cell density cultivations of recombinant E. coli are a fast and economical way to produce recombinant proteins. Through this bioprocess, products with high added value and pharmaceuticals of great importance such as insulin, human and bovine growth hormone, protein antigens for formulation of vaccines, enzymes, among others, are obtained. However, keeping these cultivations within the desired conditions becomes a major challenge, since some variables such as dissolved oxygen concentration (DOC) and substrate concentration are difficult to control. Therefore, the development and implementation of an automatic monitoring and control tool are key requirements for the performance of high density cultivation. The present work has as main objectives to study feeding strategies for high cell density cultivation of recombinant Escherichia coli and develop a computational tool capable of ensuring the implementation of the chosen strategies, performing the monitoring, control and supervision of the cultivations. Fed batch cultivations were carried out under the supervision of the tool in a 5 L in-house bioreactor, equipped with sensors for temperature, dissolved oxygen, pH, pressure and biomass (sensor that measures the concentration of viable cells based on permittivity measurements), peristaltic pumps and connected to the gas analyzer. The tool was developed with LabView 8.0 and MatLab 6.5, being the acquisition and communication with the different bioreactor accessories via compact Field Point. Twenty two fed-batch cultivations with 5 different clones of E. coli, BL21(D3) expressing the enzyme penicillin G acylase (PGA) as well as antigenic proteins of S. pneumoniae (PspA3, PspA245 and PspA4Pro) and E. rhusiopathiae (SpaA) were performed during the development of the tool and the studies of feeding strategy. Both defined medium (HDF modified) as complex medium (ZYM-5052 modified), usually having glycerol as main carbon source and IPTG or lactose as inducers were used. In all cultivations, samples were collected to quantify the concentration of cells (dry weight method in filter of 0.22 m and optical density at 600 nm), organic acids, glucose, glycerol and lactose (HPLC) as well as protein expression (densitometry and NIPAB method for PGA) and plasmid stability (plating). The tool SUPERSYS_HCDCR (registered as a free software) developed, implemented and validated in the performed cultivations, carries out the basic functions of bioreactor supervision software, such as monitoring and data acquisition of pressure, temperature, pH, DOC, fraction of CO2 and O2 in the outlet gas as well as real-time estimate of the respiratory quotient, the rate of oxygen consumption and CO2 production. However, it also has the following special features, including: i) automatic control of air and oxygen flow according to cellular demand, ii) automatic activation of the feed pump at the end of the batch; iii) automatic control of feeding flow rate as function of the specific growth rate inferred in real time; iv) automatic control of feeding flow rate constrained by the concentration of dissolved oxygen, v) audible alarms indicating failures in the process; vi) failure messages sent via email; vii) automatic control of dissolved oxygen concentration; viii) control of the bioreactor pressure; and ix) control of bath temperature. Regarding the studies of feeding strategies aimed at biomass productivity increase in high cell density cultivations of recombinant E. coli, using the supervision tool developed together with changes in the composition of the synthetic culture medium available in the literature, a cellular concentrations greater than 150 g/L was achieved in less than 24 hours of cultivation, corresponding to a productivity of 9.2 g/Lh. This value, which is higher than the reported in the literature, was obtained without acetate accumulation and allowing high production of recombinant protein. / Cultivos de alta densidade celular de E. coli recombinante constituem uma tecnica rapida e economica para producao de proteinas recombinantes. Por meio deste bioprocesso, sao obtidos produtos de alto valor agregado e de grande importancia na industria farmaceutica, tais como insulina, hormonios de crescimento humano e bovino, antigenos proteicos para formulacao de vacinas, enzimas, dentre outros. Entretanto, manter estes cultivos dentro das condicoes desejadas se torna um grande desafio, em funcao da dificuldade de controlar variaveis como a concentracao de oxigenio dissolvido (COD) e a concentracao de substrato nos niveis desejados. Por isso, o desenvolvimento e a implementacao de sistemas automaticos de supervisao e controle sao requisitos fundamentais para o bom desempenho de um cultivo de alta densidade. O presente trabalho teve como principais objetivos estudar estrategias de alimentacao para cultivos de alta densidade celular de Escherichia coli recombinante e desenvolver uma ferramenta computacional para suporte na execucao das estrategias escolhidas, realizando o monitoramento, controle e supervisao dos cultivos. Os cultivos em batelada alimentada realizados sob supervisao da ferramenta foram conduzidos em biorreator de 5 L, equipado com sensores de temperatura, oxigenio dissolvido, pH, pressao e biomassa (sensor que mede a concentracao de celulas viaveis a partir dos dados de permissividade), bombas peristalticas e conectado a analisador de gases. A ferramenta foi desenvolvida com os programas LabView 8.0 e MatLab 6.5, sendo a aquisicao e a comunicacao com os diferentes acessorios do biorreator realizada via compact Field Point (National Instruments). Vinte e dois cultivos em batelada alimentada com 5 diferentes clones de E. coli, BL21(D3) expressando a enzima penicilina G acilase (PGA) assim como proteinas antigenicas de Streptococcus pneumoniae (PspA3, PspA245 e PspA4Pro) e de Erysipelothrix rhusiopathiae (SpaA) foram realizados durante o desenvolvimento da ferramenta e dos estudos de estrategia de alimentacao, empregando tanto meio definido (HDF modificado) como meio complexo (ZYM-5052 modificado), tendo glicerol ou glicose como principal fonte de carbono e IPTG ou lactose como indutores. Em todos os cultivos, amostras foram coletadas para quantificar a concentracao de celulas (metodo de massa seca em filtro de 0,22m e leitura da densidade otica a 600 nm), de acidos organicos, glicose, glicerol e lactose (HPLC) e a expressao da proteina (densitometria e metodo NIPAB para a PGA) e a estabilidade de plasmideo (plaqueamento). A ferramenta SUPERSYS_HCDCR (registrada como software livre) desenvolvida, implementada e validada nos cultivos realizados, desempenha as funcoes basicas de softwares de supervisao de biorreatores, tais como: monitoramento e aquisicao de dados de pressao, temperatura, pH, COD, fracao de CO2 e de O2 nos gases de saida; estimativa em tempo real do quociente respiratorio, das velocidades de consumo de oxigenio e de producao de CO2. Esta ferramenta apresenta as seguintes funcionalidades especiais: i) controle automatico das vazoes de ar e de oxigenio de acordo com a demanda celular; ii) acionamento automatico da bomba de alimentacao ao final da batelada; iii) controle automatico da vazao de alimentacao em funcao da velocidade especifica de crescimento inferida em tempo real; iv) controle automatico da alimentacao com restricoes pela concentracao de oxigenio dissolvido; v) alarmes sonoros indicando falhas no processo; vi) envio de mensagens de falhas por email; vii) controle automatico da concentracao de oxigenio dissolvido; viii) controle de seguranca da pressao do biorreator, e ix) controle da temperatura do banho. Em relacao aos estudos das estrategias de alimentacao visando ao aumento da produtividade em biomassa em cultivos de alta densidade celular de E. coli recombinante, com o auxilio da ferramenta de supervisao desenvolvida aliada a modificacoes na composicao do meio de cultivo sintetico disponivel na literatura, foram alcancadas concentracoes celulares maiores que 150 g/L em menos de 24 h de tempo total de cultivo, levando a uma produtividade de 9,2 g/Lh, a qual e superior aos valores relatados na literatura, sem acumulo de acetato e possibilitando elevada producao da proteina recombinante.