<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">ETQM</journal-id><journal-title-group><journal-title>Engineering Technology and Quality Management</journal-title></journal-title-group><issn>2995-3170</issn><eissn>2992-9806</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/etqm.2848</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>基于时序自注意力机制的疫苗工艺参数预测技术</title><url>https://artdesignp.com/journal/ETQM/2/3/10.61369/etqm.2848</url><author>刘潇,赵勇,徐海涛</author><pub-date pub-type="publication-year"><year>2024</year></pub-date><volume>2</volume><issue>3</issue><history><date date-type="pub"><published-time>2024-03-20</published-time></date></history><abstract>口蹄疫是一种极为严重的接触性传染病，对家养、野生蹄类动物具有致命威胁，注射疫苗能有效减少动物口蹄疫发病率。在疫苗的制备过程中，为了精确控制生产工艺参数，本文提出了一种基于时序自注意力机制的深度学习模型，用于预测疫苗中核心成分146s抗原在最终试剂中的含量。该模型结合自注意力机制、门控残差网络和静态协变量编码器，能够有效处理长序列数据，并考虑外部协变量对参数的影响。本文在金宇保灵生物药品有限公司提供的数据集上进行实验，实验结果表明该方法能较好的预测146s的含量，并且相比传统LSTM模型具有更高的预测精度和可解释性。本研究为疫苗生产工艺参数预测提供了新的思路。</abstract><keywords>口蹄疫疫苗，工艺参数预测，时序自注意力机制</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] 谭涛, 任静雷, 倪春霞, 等. 不同抗体检测方法对猪口蹄疫疫苗临床免疫效果的评估［J］.中国猪业,2022,17(03):66-69.[2] 邵三敏, 吕宁宁, 马冬, 等. 动物疫苗生产工艺研究的现状分析［J］.中国动物保健,2024,26(03):104-105.[3] 梅建国, 庄金秋, 管宇, 等. 应用Cephodex 微载体规模化生产伪狂犬病疫苗的研究［J］.中国预防兽医学报,2016,38(03):240-244.[4] 解长占. 欧洲型PRRSV 重组腺病毒疫苗生产工艺及动物模型替代方法建立［D］. 吉林农业大学,2017.[5] 龚迪, 易小萍, 张元兴.MDCK 细胞微载体悬浮培养放大工艺研究［J］.中国生物工程杂志,2012,32(09):55-60.[6] Lim B, Arık S &amp;Ouml;, Loeff N, et al.Temporal fusion transformers for interpretable multi-horizon time series forecasting［J］.International Journal of Forecasting, 2021,37(4): 1748-1764.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
