人工智能赋能的多尺度生物过程：实现预测性放大与自主优化

本项目研究如何通过整合历史数据与机器学习，从微尺度实验预测更大规模下的生物学表现。研究包括数据挖掘、使用酵母和中国仓鼠卵巢（CHO）细胞开展多尺度实验，以及开发用于生物过程工程放大和优化的预测模型。

职位描述 项目详情：工程生物学对英国制造业具有巨大潜力，但从实验室发现走向工业规模仍是关键瓶颈。英国政府已承诺在10年内投入20亿英镑发展工程生物学，并将规模放大能力和获得高质量标准化数据列为商业化的关键障碍。 研究问题：能否在不同生物过程规模和生产宿主之间，学习生物学表现与依赖规模的工程参数之间的关系，从而根据微尺度实验预测更大规模下的表现？我们的假设是，将历史数据、目标性实验和生物过程机理知识与机器学习结合，可实现更准确、数据效率更高的规模放大，并最终实现自主优化。 研究目标： 数据挖掘与整合：挖掘历史数据集和文献，识别关键工艺参数、规模放大关系和数据缺口，建立协调统一的数据集及基准模型。 多尺度实验：生成标准化数据集，连接自动化微尺度实验与实验室及中试规模生物反应器。酵母和CHO细胞中的分泌蛋白生产将作为两个与产业相关且数据丰富的案例，并由 Rios-Solis 博士（酵母）和[成员信息]博士（CHO）的专业知识提供支持。 预测性规模放大与自主优化：开发结合机理模型和人工智能的混合模型，纳入主动学习和数字孪生，以预测不同规模下的表现；建立闭环工作流程，使模型能够指导实验、从结果中学习并优化运行条件。 里程碑：M1 历史数据集和基准模型；M2 酵母/CHO多尺度数据集；M3 经验证的规模放大模型；M4 展示闭环优化。 风险与缓解措施：针对数据异质性和跨系统迁移能力有限的问题，将采用两个特征充分表征且数据丰富的系统，通过目标性实验弥补已识别的数据缺口，并结合机理与数据驱动混合建模及主动学习，尽量减少所需实验数量。 影响：项目将产出可迁移的预测性规模放大方法，并增强 UCL SWIFT 生物加工项目。通过 SWIFT，学生将与生物技术公司、技术供应商和学术界相关方交流，推动工业验证、成果转化和应用。 申请截止时间为2027年1月8日英国时间中午12:00。UCL将在圣诞假期期间关闭，届时不提供电子邮件支持。建议所有申请材料和推荐信于2026年12月16日前提交。申请指南可在相关页面查阅，只有通过官方申请门户提交的申请才会进入面试遴选：UCL EPSRC博士培养景观奖学金（UELA）| UCL学习。

资助说明：该博士生资助名额提供4年全额资助，包括4年学费（英国本土费率）；按UELA提高标准发放、逐年递增的生活津贴（2026/27学年预计总额为26,022英镑，比UKRI伦敦加权费率24,522英镑高出1,500英镑）；研究培训支持经费（RTSG），用于课程、项目开支、会议和差旅等培训相关额外费用。