Machine Translated by Google

Informática e ingeniería química 30 (2006) 1464–1475

Control de bioprocesos: avances y desafíos

ÿ
José S. Alford
Eli Lilly and Company, Indianápolis, IN 46285, Estados Unidos

Recibido el 15 de febrero de 2006; recibido en forma revisada el 5 de mayo de 2006; aceptado el 16 de mayo de 2006
Disponible en línea el 31 de julio de 2006

Resumen

La mayoría de las herramientas y técnicas de control de procesos comerciales utilizadas en las industrias de procesos químicos son aplicables a los bioprocesos (p. ej.,
procesos que fabrican ciertos medicamentos). Si bien los bioprocesos incluyen varias operaciones unitarias diferentes, el enfoque de la mayor parte de este documento será el
control de biorreactores (es decir, fermentadores) en los que se desea un entorno casi óptimo para que los microorganismos crezcan, se multipliquen y produzcan un producto deseado.
El control del biorreactor presenta desafíos especiales debido a la importante variabilidad del proceso, la complejidad de los sistemas biológicos, la necesidad, en muchos casos,
de operar en un ambiente estéril y las relativamente pocas mediciones directas en tiempo real disponibles que ayudan a definir el estado del cultivo. Esto ha dado lugar a algunas
soluciones creativas, así como a la identificación de temas en los que se necesita más investigación y desarrollo y funcionalidad de software de proveedores. © 2006 Elsevier
Ltd. Todos los derechos reservados.

Palabras llave: Control de bioprocesos; Control de procesos avanzado; Gestión de datos; instrumentación de bioprocesos; Gestión de alarmas

1. Introducción y observar el color y la textura de la capa de espuma montada sobre el caldo

A principios de la década de 1970, cuando comenzó la carrera del autor
en la automatización de bioprocesos, los procesos de fermentación (p. ej.,
hacer penicilina) se consideraban tanto un arte como una ciencia. Hacer
antibióticos no era mucho más sofisticado que hacer vino.
Los ingredientes se pusieron en un tanque que luego se cerró y se esterilizó
manualmente, se inoculó manualmente con células vivas y luego se agitó y
aireó durante varios días. El único control de retroalimentación automatizado
era un controlador neumático utilizado para la temperatura.
El registro de datos consistió en que los operadores recorrieran la planta de
producción, registraran periódicamente los valores de los medidores en una
hoja portapapeles y luego copiaran a mano algunos de estos valores en el
ticket de fabricación de papel. La mayoría de los parámetros de valor real para
el cultivo de fermentación [p. ej., pH, oxígeno disuelto (DO2), concentraciones
de nutrientes] no se monitorearon ni controlaron en línea. Los científicos, al
tratar de desarrollar procesos menos variables y de mayor productividad, se
vieron frustrados por la falta de sensores, herramientas y sistemas de soporte
apropiados. Simbolizando este “estado de cosas”, a veces el mejor indicador
de qué tan bien estaba progresando una fermentación era el análisis subjetivo
de un operador experimentado que miraba a través de un sitio de vidrio
ubicado en la parte superior del fermentador.
ÿ
Teléfono: +1 317 276 7653; fax: +1 317 276 1403.
Dirección de correo electrónico: Alford Joseph S@Lilly.com.
líquido.
Se ha avanzado mucho durante los últimos 30 años. Parte de esto se debe
a que algunas empresas, incluida Eli Lilly and Company, utilizan una
combinación de tecnologías comerciales, complementadas con una
personalización significativa de los sistemas informáticos (consulte la Sección
9) y el desarrollo interno de aplicaciones novedosas. Las soluciones
comerciales han ido alcanzando lentamente las necesidades de los
bioprocesos, aunque todavía quedan varias lagunas y oportunidades.
Con respecto al estado actual de los sistemas comerciales de control por
computadora utilizados para bioprocesos, actualmente existe una variedad de
plataformas y productos de control de procesos y análisis de datos.
Generalmente representan variaciones del sistema genérico que se muestra en la Fig. 1.
Con algunas excepciones, los productos de control de procesos de gama
baja incluyen biorreactores de sobremesa que se controlan a través de
ordenadores personales (PC) con sistemas operativos Linux o Windows y que
incorporan paquetes de software de aplicación comerciales (p. ej., LabView) o
propietarios de proveedores de biorreactores.
Los sistemas de nivel intermedio pueden incluir controladores lógicos
programables (por ejemplo, Rockwell) + una interfaz hombre-máquina (HMI) +
un historiador.
Los sistemas de gama alta (utilizados en muchas plantas piloto de
fermentación e instalaciones de producción) utilizan sistemas de control
distribuido (p. ej., Fox IA, Emerson DeltaV, Fisher Provox) que, a su vez,
suelen estar vinculados a historiadores propietarios o comerciales (p. ej.,

0098-1354/$ – ver portada © 2006 Elsevier Ltd. Todos los derechos reservados. doi:10.1016/
j.compchemeng.2006.05.039
Machine Translated by Google
JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
Figura 1. Esquema del sistema de información y control de bioprocesos genérico.
Aspen Tech, OSI-PI). En algunos casos, los sistemas DCS/Historian se
interconectan aún más con productos de terceros (p. ej., registradores de alarmas,
sistemas expertos en tiempo real, software de análisis de datos avanzado) para
proporcionar funcionalidad adicional. También se pueden interconectar con otros
sistemas internos de la empresa, como sistemas de ensayo de laboratorio,
sistemas de ejecución de fabricación (MES) o almacenes de datos del sitio de la
planta (por ejemplo, Discoverant).
Las mejoras en la productividad de los bioprocesos generalmente vienen
de dos fuentes: (1) líneas celulares y (2) control de procesos.
En este documento, la atención se centra en el control de bioprocesos. El
control de bioprocesos se define como proporcionar un entorno casi óptimo para
que los microorganismos crezcan, se multipliquen y produzcan un producto
deseado. Esto incluye proporcionar la concentración adecuada de nutrientes al
cultivo (p. ej., carbono, nitrógeno, oxígeno, fósforo, azufre, minerales), eliminar
cualquier producto metabólico tóxico (p. ej.,
CO2), y controlando importantes parámetros celulares internos (por ejemplo,
temperatura, pH).
Nota: Si bien existen sutiles diferencias en las definiciones de los
términos biorreactor y fermentador, los términos son intercambiables para muchos
procesos y se usarán indistintamente en este documento.
En teoría, el alcance del control de bioprocesos incluye no solo la secuencia
de pasos que conducen al fermentador (Fig. 2), sino también, en muchos casos,
a varios de los pasos de recuperación y purificación del producto (Fig. 3). Por
ejemplo, después de la fermentación, los pasos subsiguientes pueden implicar la
ruptura
1465
Fig. 2. Etapas de crecimiento del cultivo.
las células y eliminando los desechos celulares de la corriente que contiene el
producto deseado. Además, especialmente para los bioprocesos de células de
mamíferos, hay una serie de operaciones unitarias que existen para proporcionar
varias reducciones logarítmicas en los virus que pueden existir en el flujo de
productos como resultado del uso de ciertas líneas de células de mamíferos y/o
debido a cualquier uso de origen animal. (especialmente bovinos) materias primas.
Estas operaciones de unidades de reducción viral pueden incluir inactivación
basada en detergente, cromatografía en columna, inactivación con pH bajo (p. ej.,
pH < 4) y nanofiltración. Con cada una de estas operaciones de recuperación/
purificación del producto (algunas de las cuales se muestran en la Fig. 3), la
operación es principalmente manual o se controla con una PC local o un
controlador lógico programable (PLC).
La disponibilidad de algoritmos de medición y control apropiados es generalmente
satisfactoria para las operaciones de la unidad de posfermentación.
Las oportunidades de mejora se encuentran principalmente en las áreas de
análisis de datos (descrito más adelante) y secuenciación por lotes automatizada.
Por lo tanto, la operación unitaria más desafiante desde la perspectiva del
control de procesos es el propio biorreactor, y este será el enfoque de la mayor
parte del resto de este documento.
Los beneficios de la automatización de biorreactores han sido tema de varias
conferencias y artículos en la literatura, de modo que la automatización es una
expectativa y ya no necesita justificación para la mayoría de las plantas de
fabricación. Los beneficios han incluido:
A. reducción de la variabilidad del proceso;
B. mejoras en la productividad (rendimiento); C.
mayor capacidad de monitoreo y solución de problemas en línea.
1.1. Operaciones previas a la inoculación: creación de un medio estéril
óptimo uniforme
Históricamente, la composición de los medios de los bioprocesos ha sido
determinada por científicos e ingenieros de desarrollo utilizando métodos estadísticos.
Machine Translated by Google
1466 JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
Fig. 3. Pasos de recuperación del producto después de la fermentación.
Métodos de “Diseño de Experimento” (DOE) en lotes a pequeña escala
equipo. Un espacio dimensional relativamente pequeño está definido por
el científico, basado en la experiencia y búsquedas bibliográficas. Este
el espacio se explora típicamente en detalle usando de tres a cinco nutrientes
de especial interés (por ejemplo, las concentraciones de nutrientes que se espera que
influyen en gran medida en el crecimiento y la productividad de la cultura, la economía
de procesos, etc.). Este enfoque supone que otros factores (por ejemplo,
operaciones de esterilización y control de las primeras fases del cultivo; ver Fig. 2)
son consistentes. Los métodos DOE típicamente
dar como resultado un caldo de nutrientes "óptimo local", pero no necesariamente un
“óptimo global”. Nota: La optimización de los nutrientes del caldo es un problema
clásico de optimización no lineal.
Trabajos recientes con técnicas no tradicionales indican una mayor
existe la oportunidad de (1) realizar un "óptimo global" con respecto
a la composición de nutrientes y (2) comprender y controlar mejor las actividades
asociadas con la variabilidad de la concentración de nutrientes previa a la inoculación
(p. ej., durante la esterilización). Específicos para la composición de nutrientes,
algoritmos de "cómputo evolutivo", como partículas
optimización de enjambres, han demostrado que, en comparación con los
enfoques, un número similar de experimentos de equipo a pequeña escala puede
explorar un espacio dimensional más alto (es decir, número
de diferentes nutrientes) y rangos más amplios de nutrientes individuales (Cockshott
& Hartman, 2001; Cockshott & Sullivan, 2001;
Strobel y Hartman, 1999). Tenga en cuenta que la optimización de enjambres de
partículas, los algoritmos genéticos, etc., son subconjuntos de la computación
evolutiva que, a su vez, es un subconjunto (junto con las redes neuronales y
lógica difusa) de la inteligencia computacional. La optimización de enjambre de
partículas (PSO) es una optimización estocástica basada en la población
técnica, desarrollada por el Dr. Eberhart y el Dr. Kennedy en 1995,
que se inspiró en el comportamiento social de fenómenos como
como bandadas de pájaros, es decir, un gran número de pájaros que finalmente
convergen en un dormidero común. PSO comparte varias similitudes con
técnicas de computación evolutiva como algoritmos genéticos
(GEORGIA). El sistema se inicializa con una población de soluciones aleatorias y
busca óptimos actualizando generaciones. Sin embargo,
a diferencia de GA, PSO no tiene operaciones de evolución como crossover
y mutación. Las razones para elegir PSO frente a otras técnicas de cálculo evolutivo
son su facilidad de implementación,
relativamente pocos parámetros para ajustar, reputación de encontrar global
convergencia óptima y rápida.
Una de las varias diferencias entre el enjambre de partículas y las metodologías
tradicionales es que, en lugar de definir experimentos fijos predeterminados que
utilizan diferentes concentraciones de nutrientes;
se utiliza un enfoque iterativo en el que los resultados de anteriores
las iteraciones se utilizan para definir la siguiente iteración de experimentos.
Para explicar aún más el enjambre de partículas, usando una montaña global
analogía de búsqueda de picos, considere el objetivo de encontrar el punto más alto
en la cordillera del Himalaya. Un diseño estadístico
El enfoque podría ser identificar un terreno localizado de "mejor suposición",
que abarca un pequeño número de montañas, que pueden o
puede no incluir el Monte Everest. Las ubicaciones "N" estarían predefinidas en esta
área, con muchas ubicadas en los límites de
el área definida. Los escaladores viajarían a estos lugares y
medir la altitud (es decir, el rendimiento de la fermentación). Los resultados, en
combinación con algoritmos de mapeo de superficie de respuesta,
con suerte identificar el punto local aproximado de máxima
altitud.
Con enjambre de partículas, un área más grande (es decir, terreno) sería
definido, que abarca muchas montañas en la gama. Un equipo
de varios escaladores se distribuiría aleatoriamente a lo largo
el intervalo en el que anotarían su altitud (es decir, la composición inicial del caldo y
el rendimiento de fermentación resultante, que
es la iteración #1). Luego, cada uno de los escaladores caminaría hacia un
nueva ubicación predefinida (símbolo de una nueva composición química del caldo)
y observe su nueva altitud (es decir, rendimiento de fermentación),
que es la iteración #2. La comparación de los cambios de altitud (es decir,
mejora del rendimiento) para cada uno de los trepadores (desde la iteración 1 hasta
2) así como donde se encuentra el trepador más alto (mejor rendimiento) es
utilizado para determinar la dirección (es decir, la siguiente composición de caldo
intentar) para cada uno de los escaladores para la siguiente iteración.
Machine Translated by Google
JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
Si bien no es una garantía, el enfoque del enjambre de partículas aumenta el
espacio que se puede buscar con un número similar de experimentos y aumenta la
posibilidad de que se encuentre un óptimo global (es decir, el Monte Everest).
Se ha sugerido que las dos técnicas descritas anteriormente se pueden usar de
manera complementaria, con algoritmos evolutivos que realizan la búsqueda amplia
inicial y luego se usa un diseño estadístico para el ajuste fino.
La técnica evolutiva del “enjambre de partículas” se probó en dos procesos de
fermentación existentes en Lilly. En ambos procesos de fermentación, se obtuvo
como resultado una composición del medio de caldo que proporcionó una mejora
del rendimiento de >50 %, en comparación con el medio de producción anterior
existente.
Con respecto a la esterilización, se sabe que pueden existir grandes diferencias
en los tiempos de calentamiento y enfriamiento de las operaciones de esterilización,
dependiendo principalmente del tamaño de los fermentadores (p. ej., los
fermentadores de gran producción suelen tener ciclos de esterilización totales más
prolongados que los fermentadores a escala piloto). Dado que las reacciones
químicas de los componentes de los nutrientes generalmente ocurren durante la
esterilización, las diferencias en los ciclos de calor pueden causar una composición
de nutrientes significativamente diferente en el caldo posterior a la esterilización.
Por ejemplo, la glucosa, cuando se expone a temperaturas de esterilización, puede
formar polímeros, puede reaccionar con aminoácidos para generar productos de
reacción de Browning y también puede reaccionar con fósforo inorgánico.
Para algunas fermentaciones, la diferencia en los ciclos de calor puede causar
diferencias suficientes en la composición de nutrientes posteriores a la esterilización
que luego pueden afectar significativamente el grado posterior en que el cultivo
puede crecer y producir productos. Se ha publicado un trabajo sobre la
caracterización del grado en que ocurren las reacciones químicas durante la
esterilización, usando un parámetro definido como Ro (similar en concepto al uso
de Fo para caracterizar el grado en que los microorganismos contaminantes mueren
durante la esterilización).
Tanto Fo como Ro son funciones integradoras de tiempo y temperatura. Se sugiere
que Fo y Ro se pueden usar colectivamente como base para lograr tanto la
eliminación deseada de organismos contaminantes como una composición de
nutrientes consistente posterior a la esterilización (Boeck, Wetzel, Burt, Huber,
Fowler y Alford, 1988; Boeck, Alford , Pieper y Huber, 1989).
2. Operaciones de inoculación posteriores al biorreactor
El resto de la parte de control de procesos de este artículo se centrará en el
control del entorno de cultivo posterior a la inoculación, normalmente mediante
sistemas de control informático. La inoculación normalmente define el comienzo de
las fases de siembra y fermentación del ciclo general del bioproceso. Los temas
considerados incluyen el estado actual de los sensores, algoritmos de control y
herramientas de análisis de datos.
Para proporcionar al lector una idea de la complejidad del proceso, se describe
primero la naturaleza discontinua no lineal de la operación de un biorreactor.
Una fermentación comenzará con un paso de inoculación en el que se transfiere
al biorreactor un número relativamente pequeño de células de cultivo puro. Luego,
las células crecen exponencialmente hasta el momento en que algo (p. ej., oxígeno,
fuente de carbono) se vuelve limitante, o algo [p. ej., sustrato, dióxido de carbono
disuelto (dCO2) o producto] se vuelve inhibidor. La masa celular más alta alcanzada
normalmente será varios órdenes de magnitud mayor que la inicial.
1467
masa celular. Este gran cambio de carga está asociado con cambios importantes
correspondientes durante el transcurso de la fermentación en los requisitos de
oxígeno y nutrientes, eliminación de dióxido de carbono, "base" necesaria para
mantener el pH, etc. Muchos bioprocesos se complican adicionalmente porque una
inducción o producto La actividad de desrepresión de la formación se produce en
medio del bioproceso en el que se induce al cultivo a cambiar de un modo de
"crecimiento" a un modo de "síntesis de productos". Esta inducción a menudo se
desencadena por un cambio programado en la temperatura o por una adición
química.
Además, si bien este documento se enfoca principalmente en los aspectos de
los bioprocesos de circuito cerrado basados en computadora, hay un trabajo
significativo que se dedica al diseño del propio biorreactor. Como ejemplo,
normalmente existe un agitador para la mayoría de los bioprocesos aeróbicos, cuya
misión es (1) romper las burbujas de gas en burbujas más pequeñas (para aumentar
el área de superficie de la burbuja para mejorar la transferencia de oxígeno y dióxido
de carbono) y (2) proporcionar mezclar bien para lograr un caldo homogéneo. Se
necesita homogeneidad, por ejemplo, para proporcionar un rango de oxígeno
disuelto uniforme en todo el fermentador de modo que todas las células tengan
suficiente oxígeno. También se necesita homogeneidad para que las adiciones de
sosa cáustica (para el control del pH) y antiespumante se dispersen rápidamente
para, por ejemplo, minimizar el daño local a las células en el punto de entrada.
Desafortunadamente, las RPM del agitador y los tipos de palas del agitador
necesarios para lograr estos objetivos a menudo crean condiciones de alto
cizallamiento que son dañinas para las células. Por lo tanto, el diseño del reactor
final juega un papel importante en el control de un bioproceso y suele ser un
compromiso con respecto a los efectos de cizallamiento, la mezcla, las tasas de
transferencia de masa de gas y la economía del proceso (es decir, los costos de
servicios públicos).
3. Mediciones de proceso
“Si no puedes medirlo, no puedes administrarlo”.
3.1. Sensores primarios en línea
Un pequeño número de diferentes sensores en línea se utilizan comúnmente
en los bioprocesos. Incluyen la temperatura, la contrapresión del biorreactor, las
tasas de flujo de gas, la tasa de agitación, el oxígeno disuelto y el pH.
Algunas sondas adicionales se utilizan en algunas fermentaciones [por ejemplo,
dióxido de carbono disuelto, redox (reducción de oxidación) y densidad óptica]. A
veces se utilizan sensores redundantes (por ejemplo, sondas electroquímicas como
pH y DO2) .
Históricamente, el desafío en el desarrollo de sensores en línea adicionales
(especialmente invasivos) ha sido y sigue siendo:
• La necesidad de operar de manera confiable en un ambiente duro, agitado, estéril,
y, a veces, un entorno arenoso.
• La necesidad de mantener la calibración durante largos períodos de tiempo (por ejemplo,
varias semanas).
• Interpretación de salida (por ejemplo, para densidad óptica en medios complejos,
redox).
3.2. Sensores primarios en línea
Están disponibles varias mediciones analíticas en línea adicionales que pueden
proporcionar valores periódicos de bioprocesos importantes.
Machine Translated by Google
1468 JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
Fig. 4. Espectrómetro de masas de proceso (un ejemplo de tecnología analítica de
procesos).
parámetros Ejemplos incluyen:
• concentración de glucosa en caldo (por ejemplo, analizador YSI);
• concentración de glutamina en caldo (por ejemplo, analizador de gases en sangre Nova);
• distribución del tamaño de celda (por ejemplo, Lasentech).
Si bien se sabe que existen algunos sistemas de muestreo automático, el
Las limitaciones generales de estos sensores en línea incluyen (1) su uso
de operaciones manuales (p. ej. muestreo y preparación de muestras)
y (2) frecuencia de medición que puede no permitir prácticamente
para control de retroalimentación de lazo cerrado.
3.3. Tecnologías analíticas de procesos
Algunos sistemas analíticos han evolucionado en los últimos 20
años que brindan poderosa información adicional en tiempo real o casi en tiempo real
sobre los bioprocesos. Incluyen:
1. Análisis de gases, usando espectrometría de masas de proceso (reemplazando
uso anterior de analizadores infrarrojos de dióxido de carbono, analizadores
paramagnéticos de oxígeno y cromatógrafos de gases).
Estos sistemas típicamente brindan análisis de las concentraciones de oxígeno,
nitrógeno y dióxido de carbono en las corrientes de gas.
A veces también proporcionan información sobre otros gases que
puede estar presente (por ejemplo, alcoholes, sulfuro de hidrógeno). Uno de los
Los tipos más populares de espectrómetros de masas de proceso son del tipo de
sector magnético (p. ej., de Thermo-Electron & Hamilton
Sustrand) debido a su muy alta precisión y estabilidad (ver
Figura 4).
Figura 5. Consumo de oxígeno del cultivo frente al tiempo.
La información de estos analizadores de gas es típicamente
combinado con otras mediciones o estimaciones en línea (p. ej.
DO2, tasas de flujo de gas, volumen de caldo) para calcular y hacer
disponible casi en tiempo real una gran cantidad de
parámetros de un bioproceso. Estos incluyen: absorción de oxígeno del cultivo
(ver Fig. 5), evolución del dióxido de carbono del cultivo,
cociente de respiración, kLa (coeficiente de transferencia de masa de oxígeno),
producción de calor metabólico, etc. Esta información ha demostrado que
valioso para los operadores, científicos y personal de servicio técnico que Lilly
tiene espectrómetros de masas de proceso interconectados
a la mayoría de sus fermentadores de desarrollo y producción
(Alford, 2006).
2. Mediciones de la composición del caldo, incluido el uso de cerca
infrarrojo (NIR), infrarrojo medio (MIR), cromatografía iónica,
y HPLC. Estos sistemas pueden proporcionar análisis de nutrientes
composiciones, amoníaco, concentraciones de productos y otros
metabolitos.
La Administración de Alimentos y Medicamentos (FDA) ahora está activamente
promover la consideración de la Tecnología Analítica de Procesos (PAT) en los
procesos de fabricación farmacéutica. Ellos
define PAT como “un sistema para diseñar, analizar y controlar la fabricación a través
de mediciones oportunas (es decir, durante el procesamiento) de atributos críticos de
calidad y rendimiento
de materias primas y en proceso y procesos con el objetivo
de garantizar la calidad del producto final (Departamento de Salud de EE.
y Servicios Humanos, Administración de Alimentos y Medicamentos, 2004)”.
Se espera que la adopción de los conceptos y tecnologías detrás de PAT ayude a
liderar la industria farmacéutica.
en su evolución hacia un control de procesos más avanzado. Este
se debe a que varias mediciones de bioprocesos, históricamente realizadas fuera de
línea con resultados obtenidos demasiado tarde para ser relevantes para el control de
procesos, ahora se realizarán con mayor frecuencia
y casi en tiempo real y, por lo tanto, disponible como lazo de control
entradas.
Machine Translated by Google
JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
Uno de los problemas en el uso de sistemas PAT es si se trata de sensores
inteligentes o sistemas informáticos (los sistemas PAT normalmente incluyen
computadoras que manejan el procesamiento de datos, la calibración, el análisis, etc., y
que normalmente requieren configuración y/o programación de software). La forma en
que se definan estos sistemas afectará el grado en que deben validarse.
3.4. Sensores virtuales
A pesar de la gama de medidas disponibles con los anteriores
tecnologías enumeradas, todavía existen algunos desafíos, por ejemplo
1. Estimación de la masa celular en fermentaciones que utilizan ingredientes de medios
complejos, es decir, ingredientes que incluyen sólidos (p. ej., sémola de soja).
2. Estimación en línea de la concentración de sustrato de carbono primario del caldo (p.
ej., glucosa), para uso en control continuo.
3. Estimación de la concentración del producto en línea.
Las estimaciones/medidas precisas de estos parámetros son importantes ya que la
mayoría de los modelos de bioprocesos publicados incluyen la masa celular, la
concentración de sustrato de carbono primario y la concentración de producto como
variables primarias de "estado".
Se ha informado cierto éxito en la estimación de parámetros como estos mediante
el uso de sensores virtuales. Estos sensores hacen uso de la información disponible en
línea y un modelo (a través de, por ejemplo, regresión estadística, redes neuronales)
para predecir aquellos parámetros que no son prácticos para medir directamente de
forma continua. No es sorprendente que muchos de estos sensores virtuales hagan uso
de parámetros calculados de consumo de oxígeno de cultivo o de evolución de dióxido
de carbono (CER) (disponibles a partir de espectrometría de masas de proceso y otras
mediciones) como entrada clave, ya que están fuertemente correlacionados, por ejemplo,
con el consumo de glucosa y crecimiento celular. Por ejemplo, algunos bioprocesos
(especialmente los que usan medios complejos) han usado la ecuación simple:
dX
RCE = k1 × + k2 × X (1)
dt
(donde X es la masa celular y t es el tiempo) para estimar con precisión la masa celular
en línea, especialmente para los recipientes de semillas y las fases de crecimiento de las
fermentaciones (Alford, 1978). Esta ecuación asume que la actividad de respiración
celular (representada por CER) proviene principalmente de dos tipos de actividades: (1)
mantenimiento celular (proporcional a X) y (2) crecimiento celular (proporcional a dX/dt).
Ecuación de ajuste (1) a los datos históricos de X y CER dan como resultado la
determinación de k1 y k2. El CER, ya calculado en línea, permite el cálculo adicional en
línea de la masa celular (X). A medida que el lote avanza en el tiempo, esta ecuación
eventualmente perdona cualquier error en la estimación inicial de X (es decir, X en t = 0)
y puede usarse como una base racional para ciertas decisiones de control de procesos,
como cuándo transferir la semilla. inóculo al fermentador.
Si bien los sensores virtuales pueden ser bastante precisos durante las etapas de
crecimiento de los cultivos, a menudo son menos precisos durante las partes del proceso
de síntesis del producto. Esto se debe a que las actividades celulares implicadas en la
síntesis del producto no se conocen tan bien y puede ocurrir una muerte celular
significativa y una inhibición del producto.
1469
3.5. Avances/ problemas del sensor
Además de los avances en las mediciones disponibles en línea y en línea, las
tecnologías involucradas con sensores también están progresando rápidamente.
• Muchos sensores se están volviendo mucho más pequeños, lo que lleva a micro
matrices de sensores.
• Los sensores (y las válvulas) se están volviendo más inteligentes y brindan información
de mantenimiento y diagnóstico, así como mediciones tradicionales y/o indicación
de la posición de la válvula. (Nota: si bien esta información es valiosa, también puede
contribuir a la sobrecarga de información y alarmas para los operadores).
• Las autopistas digitales están disponibles para comunicar esta información adicional
a los sistemas de control por computadora (p. ej., Fieldbus, Profibus).
• Algunas comunicaciones de sensor a computadora se están volviendo
"inalámbrica."
En general, la industria farmacéutica avanza lentamente y con cautela en la adopción
de estas nuevas tecnologías, debido en parte al entorno regulatorio en el que operan las
empresas, la necesidad de validar prospectivamente (proporcionar verificación
documentada) que funcionan y el desafío de obtener control de calidad. y la aprobación
de la dirección en un entorno de control de cambios típicamente conservador y
burocrático. Por lo tanto, los ingenieros de bioprocesos en la industria están observando
estas tendencias, pero normalmente no serán los primeros en probarlas.
Como ejemplo de una oportunidad para una mayor investigación y desarrollo, se ha
logrado un éxito significativo en el uso de redes neuronales como sensores virtuales para
aplicaciones tales como concentración de sustrato en línea (por ejemplo, glucosa), masa
celular, etc. Sin embargo, las redes neuronales se conocen como un tipo de modelo de
"caja negra", lo que significa que no se basan en primeros principios (es decir,
deterministas). Una de las consecuencias de esto es que, por lo general, son deficientes
para extrapolar. También son débiles para adaptarse a los retrasos (por lo general,
requieren estimaciones de prueba y error de las constantes de retraso) que se encuentran
con frecuencia en los bioprocesos. Hay un gran atractivo en el desarrollo de "modelos
híbridos" de modo que toda la información del primer principio disponible se utilice en el
modelo con redes neuronales y luego se use para estimar parámetros (por ejemplo,
constante de tasa de crecimiento de cultivo específico) que es una función compleja no
lineal de varios parámetros. Psichogios y Ungar (1992) utilizaron con éxito este enfoque
para modelar un bioproceso. Sin embargo, ajustan por separado las constantes del
modelo en el modelo de primeros principios y los pesos de los nodos en la red neuronal.
Desafiaríamos a los proveedores y las universidades a desarrollar algoritmos que
pudieran ajustarse simultáneamente a todas las constantes en ambas partes del modelo
híbrido, incluidos los parámetros de retardo del proceso, que luego teóricamente podrían
generar valores más significativos para las constantes y modelos más precisos.
4. Técnicas de control
Rani y Rao (1999) publicaron una revisión exhaustiva de las técnicas de control de
fermentadores . Esta revisión resume y hace referencia a más de 100 artículos
publicados, muchos de los cuales tratan
Machine Translated by Google
1470 JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
Fig. 6. Fermentador típico controlado por computadora.
ing con varios aspectos de control avanzado. Estos incluyen programación dinámica,
control adaptativo en línea, optimización en línea, control no lineal y control óptimo.
Muchos de los artículos involucran redes neuronales.
Los bioprocesos emplean la mayoría de los mismos tipos de control que se utilizan
en otras industrias químicas. Más de la mitad de la mayoría de los bucles de control de
procesos biológicos pueden manejarse mediante controladores PI (proporcionales +
integrales) de retroalimentación de salida única y entrada única tradicionales.
(Consulte la Fig. 6 para conocer las variables manipuladas típicas, como el flujo de aire
estéril, la alimentación de nutrientes, la presión, el flujo de agua de enfriamiento y la
velocidad de agitación, y las variables controladas, como el pH, la temperatura y el
oxígeno disuelto).
El tipo de control más avanzado que se encuentra con más frecuencia son los
controladores de cascada DO2 en los que el oxígeno disuelto (es decir, el circuito
maestro) se conecta en cascada al circuito de control para la agitación, el flujo de aire,
la velocidad de alimentación del sustrato o algún otro parámetro (el circuito esclavo).
Otros ejemplos de control avanzado que se sabe que existen para la industria
Los bioprocesos de prueba son:
1. Control multivariable (p. ej., para controlar simultáneamente DO2 y dCO2 utilizando
alimentaciones de aire y oxígeno puro controladas de forma independiente).
2. Modelo de control de referencia (por ejemplo, para controlar la glucosa en base a un
sensor virtual). Los controladores de referencia modelo son especialmente efectivos
para minimizar el problema del tiempo muerto (es decir, el retraso en el transporte)
asociado con los instrumentos en línea.
3. Control adaptativo (por ejemplo, ganancia adaptativa).
Si bien la mayoría de estas técnicas funcionan satisfactoriamente, existen
motivos de precaución y oportunidades de mejora:
1. El PID de no linealidad del
proceso es un controlador diseñado para procesos que se comportan de manera
lineal (o en una región pseudolineal de un espacio no lineal más grande). Los
cultivos de microorganismos son no lineales en muchos
saludos. Por ejemplo, el modelo más común para un sustrato limitante es la conocida
ecuación de Michaelis-Menten:
Tasa máxima × S
Velocidad de reacción = (2)
Km + S
donde Km es la constante de Michaelis-Menten y es igual a la concentración de
sustrato a la que la velocidad de reacción es la mitad de la velocidad máxima.
Entonces, cuando un sustrato (S) como la glucosa se vuelve limitante para el
cultivo [cuando S en Eq. (2) se vuelve pequeño en comparación con Km], luego la
relación entre la actividad metabólica (por ejemplo, el consumo de glucosa) y la
concentración de glucosa cambia de orden cero a primer orden. Para algunas
fermentaciones (ej.
Bakers Yeast), existe una complicación no lineal adicional en la que las
concentraciones de glucosa que son demasiado altas harán que el cultivo pase de
un metabolismo de hacer levadura a hacer etanol. El control del oxígeno disuelto es
otro buen ejemplo en el que un breve corte de energía puede causar la pérdida de
agitación y hacer que el DO2 se acerque a cero, lo que, a su vez, hace que el cultivo
disminuya y/o detenga algunas actividades metabólicas. La dinámica de recuperación
será muy diferente que si el DO2 solo hubiera disminuido una pequeña cantidad. El
control del CO2 disuelto para los procesos basados en células de mamíferos es otro
ejemplo en el que las concentraciones demasiado bajas o demasiado altas son
perjudiciales para el cultivo, mientras que un rango intermedio está bien.
2. Control subóptimo La industria
farmacéutica no es diferente a muchas otras industrias en las que los
observadores han notado que los lazos de control a menudo se encuentran en modo
manual en lugar de automático y que los lazos no están bien ajustados. Algunos
observadores sugieren que existe una brecha entre lo que normalmente se enseña
en los cursos universitarios de control de procesos y lo que se necesita en industrias
como la industria farmacéutica orientada a lotes.
Más específicamente, muchos cursos universitarios de control de procesos se
centran en los aspectos teóricos de los tipos de procesos continuos de "estado
estacionario" e incluyen temas como las transformadas de Laplace, el criterio de
estabilidad de Nyquist, los diagramas de Bode, los diagramas del lugar geométrico
de las raíces y las matrices de estabilidad de Routh. En contraste con esto, un gran
porcentaje de los procesos industriales actuales son procesos por lotes de estado
no estacionario y las técnicas mencionadas anteriormente rara vez son utilizadas
por los ingenieros de automatización en ejercicio.
Parece haber una necesidad de un mayor enfoque en los foros educativos sobre el
tratamiento de los transitorios del proceso, las transiciones de fase del proceso y
otras dinámicas de control no lineal del procesamiento por lotes y más capacitación
sobre técnicas de ajuste de bucle y características y selección de válvulas de control.
3. Algoritmos de control avanzados (Fuzzy Logic, Model Predictive Control, etc.)
Al igual que con las nuevas tecnologías de hardware, la industria farmacéutica
tiende a moverse lenta y cautelosamente con respecto a los nuevos enfoques en los
algoritmos de control.
Los ingenieros en ejercicio están monitoreando la evolución de técnicas como los
controladores de lógica difusa y el control predictivo de modelos (MPC) y considerando
su posible aplicación a los bioprocesos. Por ejemplo, Nyttle y Chidambaram (1993)
Machine Translated by Google
JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
mostró cómo un controlador de lógica difusa podría utilizar alimentación de glucosa
(sustrato) para obligar a una fermentación a seguir un perfil de concentración variable
en el tiempo de un producto predeterminado (penicilina).
Existe cierta renuencia a buscar agresivamente tales tecnologías para
bioprocesos industriales debido a:
A. Incertidumbre sobre cómo validarlos prospectivamente.
B. Un deseo de simplificar las cosas para los ingenieros de apoyo que a menudo son
técnicos de instrumentos o ingenieros químicos con una sola carrera universitaria
en control de procesos (es decir, hacer todo lo posible con retroalimentación PID
y técnicas en cascada).
C. Falta de pruebas convincentes publicadas (hasta el momento) de que dichos
algoritmos aumenten significativamente la productividad de los bioprocesos.
Específicas de MPC, las preocupaciones adicionales incluyen:
A. La técnica se desarrolló inicialmente para procesos continuos. Si bien también es
aplicable a los procesos por lotes, la complejidad percibida es mayor debido a
los cambios significativos en la ganancia y la dinámica del proceso durante el
proceso por lotes.
B. Renuencia a perturbar el proceso para generar datos para construir el modelo
(especialmente con respecto al pH y la temperatura).
C. La percepción (real o imaginaria) de que se necesitan consultores externos para
ayudar a desarrollar (ya veces respaldar) el modelo de proceso y la aplicación
de optimización general.
D. Preocupaciones de sostenibilidad. Una encuesta publicada recientemente por
Invensys (Rosenzweig, 2005) señaló: “El problema real para MPC es evitar que
los operadores lo apaguen. Más del 50 % de todos los controladores predictivos
son manuales”.
En el lado positivo, recientemente se ha logrado un buen progreso en la
simplificación de la implementación de MPC. Por ejemplo, Inven sys, Emerson,
Solutia y Aspen Technology han desarrollado herramientas mejoradas que reducen
el esfuerzo, la experiencia y los gastos que antes se requerían con el uso de MPC.
5. Optimización de procesos
Mucho se ha publicado sobre la creación de modelos de bioprocesos como un
medio para comprender mejor el proceso y ayudar a generar estrategias de control
óptimas. Tradicionalmente, los puntos de ajuste de control para bioprocesos
industriales han sido determinados por experimentación de prueba y error en plantas
piloto; un proceso a veces largo y laborioso. Tenga en cuenta que algunos puntos de
ajuste suelen variar con el tiempo, como la aireación, la agitación y las tasas de
alimentación de nutrientes.
Al trabajar en equipo con microbiólogos de procesos, el autor ha tenido
experiencia con técnicas en las que se especifica una matriz de varias ecuaciones de
estado no lineales de bioprocesos (un desafío en sí mismo) con la estimación de
parámetros (que tampoco son triviales) y luego se persigue utilizando datos
experimentales. Luego se especifica una matriz de tamaño similar de ecuaciones
adjuntas y se usan hamiltonianos, el principio máximo de Pontryagin y el cálculo de
variaciones para calcular un punto de referencia variable de control variable en el
tiempo óptimo (por ejemplo, una tasa de alimentación de nutrientes).
Estos esfuerzos siempre han consumido mucho tiempo y siempre han resultado en
una mejor comprensión del bioproceso, pero
1471
solo algunas veces han tenido éxito en la evolución de una estrategia de control de
procesos mejorada.
De gran interés reciente es el uso de redes neuronales para tales fines. Este
enfoque requiere menos tiempo, es más fácil de aprender y usar para los ingenieros
y evita la necesidad de definir ecuaciones deterministas del proceso. Vlassides,
Ferrier y Block (2001) incluyen una discusión y aplicación de este enfoque para las
fermentaciones de vino.
Sin embargo, como se sugirió anteriormente en la Sección 3.5, es prometedor
usar modelos híbridos para definir el proceso y buscar la optimización del proceso en
el que las redes neuronales se complementarían con ecuaciones de primer principio
conocidas.
Otro tipo de optimización de procesos implica minimizar los costos de energía.
Los fermentadores son a menudo la operación unitaria que consume más energía en
una planta debido a los altos volúmenes de aire comprimido y la alta potencia de
agitación requerida. Shields y Kao (1994) desarrollaron e implementaron un modelo
en el que el flujo de aire y las RPM de agitación se administraron para controlar el
DO2 en un punto de ajuste deseado y minimizar el consumo total de energía.
6. Otras funciones del sistema de automatización
Además de los algoritmos de control, se espera que las computadoras de control
de procesos proporcionen utilidades/funcionalidades adicionales relacionadas con la
automatización de procesos. Estos pueden incluir la secuenciación por lotes, la
gestión de alarmas, los enclavamientos, los diagnósticos, los enlaces a los
historiadores, la interfaz con PAT y los sistemas analíticos en línea, y el suministro
de pantallas gráficas en color eficaces y fáciles de configurar para los operadores.
Como ejemplo específico de las oportunidades y problemas relacionados con
estas otras funciones de control de procesos, se analiza la gestión de alarmas.
La gestión de alarmas es un área problemática importante para la mayoría de las
empresas de la industria química, incluidos los bioprocesos.
A menudo existen alarmas molestas que: (1) frustran a los operadores, (2)
desencadenan investigaciones innecesarias de desviación del proceso y (3) dan la
percepción a otros de un proceso que NO está bajo control. Además, las alarmas
inteligentes que: (1) pueden acceder a toda la información de proceso pertinente
dentro de la computadora, (2) brindan información a los operadores sobre la causa
principal, (3) muestran la respuesta esperada del operador y (4) se vinculan a los
sistemas de búsqueda. difícil de configurar. Existen oportunidades de mejora tanto
con las prácticas de implementación de la empresa como con la funcionalidad
proporcionada por los productos estándar del proveedor.
La situación está empeorando gradualmente a medida que los sensores
inteligentes, las válvulas inteligentes y los protocolos de comunicación, como bus de
campo y Ethernet de alta velocidad, amplían rápidamente la cantidad de información
disponible para el sistema de control de procesos y los ingenieros de planta se ven
tentados a agregar más alarmas en la conexión con algunos de ellos. esta informacion.
Las empresas que hacen un buen trabajo con las alarmas tienden a ser aquellas
que se adhieren a la definición fundamental de alarma, es decir, que una alarma
representa una condición anormal que requiere una respuesta.
La falta de cumplimiento de esto es la mayor fuente de alarmas molestas y sobrecarga
de información para los operadores.
Machine Translated by Google

1472 JS Alford / Informática e ingeniería química 30 (2006) 1464–1475

Desde la perspectiva del producto del proveedor, muchos sistemas brindan poco
más que la capacidad de comparar un valor actual con un punto de ajuste y generar
una alarma si esta brecha excede un valor especificado por el usuario. Si esta alarma
se envía luego a un historiador o registrador de alarmas, el registro de alarma
contiene poco más que una marca de tiempo del calendario, una descripción críptica
del parámetro en alarma y quizás un valor para el parámetro en alarma. La capacidad
de clasificación de registros de alarma es mínima ya que hay poca información de
etiquetas de alarma para clasificar. Los registros de reconocimiento del operador de
alarma pueden o no existir para ayudar a comprender el historial y realizar un análisis
de la causa raíz de los eventos de desviación del proceso.

Los proveedores de historiadores de sistemas de control de procesos han

tenido una capacidad lo suficientemente limitada como para que muchas empresas
industriales hayan recurrido al uso de registradores de alarmas de terceros. En el
caso de Eli Lilly and Company, se desarrolló un sistema experto en tiempo real y se
conectó con los historiadores de bioprocesos (Alford et al., 1999a; Alford et al.,
1999b).
Para ilustrar con un ejemplo de bioproceso: una alarma de DO2 en un sistema
Fig. 7. Tendencia del proceso actual en comparación con el perfil promedio histórico ±2S.D.
de control comercial típico normalmente podría generarse comparando la salida de
una sonda de DO2 (valor actual) con un número predeterminado (por ejemplo, punto
todas las funciones de "alarma inteligente y remota" descritas anteriormente. Una
de ajuste). Si esta diferencia supera un umbral predeterminado, se activa una salida
planta de fabricación de bioprocesos, luego de la instalación de este sistema, informó
para las pantallas y los dispositivos de la sala de control y se genera un registro para
un aumento del rendimiento del 4 % y una reducción de dos dígitos en la variabilidad,
el historial que contiene el valor medido, la etiqueta del bucle y la marca de tiempo
principalmente debido a una identificación más temprana y una mejor gestión de las
del calendario. Sin embargo, mucho más es posible. Se puede generar una alarma
fermentaciones de bajo rendimiento. Además, como implica el nombre "sistema
más inteligente mediante el uso de reglas codificadas "si-entonces-si no" para ver
experto", dichos sistemas ofrecen la oportunidad de capturar y poner en línea de
toda la demás información relevante dentro del sistema de automatización (p. ej.,
manera práctica la experiencia de operadores, ingenieros y personal de servicio
consumo de oxígeno en línea y parámetros calculados de kLa , sondas de DO2
técnico experimentados en el análisis de datos entrantes.
redundantes , el tiempo de fase relativo, etc.), en cuyo caso una conclusión más
precisa podría ser que la sonda de DO2 de control se está desviando y ya no es
Es de interés que de varias plantas de fabricación que informaron sobre la
válida. Tal alarma "más inteligente" podría entonces indicar esta "conclusión más
productividad en los meses posteriores al único programa de jubilación anticipada de
inteligente" en la presentación de la consola a los operadores, y también anotar la
Lilly (en 1993 en el que todas las plantas sufrieron pérdidas de personal clave), la
respuesta "predeterminada" sugerida del operador a la alarma. Si la instalación no
que usaba un sistema experto en tiempo real fue la única que no informó nada.
tiene personal durante partes de la semana, el sistema "localizará" al personal
pérdida significativa de productividad de la planta.
apropiado. Los registros de alarmas en el historial incluirían el n.° de fermentador, el
n.° de lote, el identificador de fase/paso del lote, la clase de alarma (seguridad,
Sin embargo, dado que los sistemas expertos en tiempo real son funcionalidades
calidad del producto, ambiental, etc.) y otra información de etiquetas para facilitar la
de terceros que deben ser respaldados, validados e interconectados con otros
clasificación de registros de alarmas y la generación de informes. Además, existiría
sistemas por separado, la esperanza es que los proveedores comerciales de
la capacidad de mostrar la información del registro de alarma en "tiempo relativo" (es
historiales y control de procesos evolucionen sus sistemas para acomodar más de
decir, tiempo desde el comienzo del lote o la fase del lote). Para los procesos por
esta alarma inteligente y registros. funcionalidad de análisis. Alford, Kindervater y
lotes, como la mayoría de los procesos farmacéuticos, este "tiempo relativo" es
Stankovich (2005) describen las mejores prácticas de gestión de alarmas con mayor
mucho más valioso para los analistas que el "tiempo del calendario", ya que la
detalle y señalan algunas de las cosas que los proveedores comerciales de control
importancia de una alarma (o cualquier gráfico de tendencia) generalmente es desde
de procesos e historiadores pueden hacer para ayudar.
la perspectiva de cuándo ocurrió en relación con el comienzo de un lote o fase de
proceso.

7. Historiadores y análisis de datos

Como puede parecer un valor agregado como la alarma más inteligente descrita
anteriormente, el "fin en mente" sugiere una funcionalidad de alarma aún mayor,
específicamente la capacidad de comparar el valor de un parámetro (por ejemplo,
DO2) en un proceso por lotes actualmente en ejecución con el "tiempo variable"
rango de valores establecidos por el promedio histórico ± 1 o 2 desviaciones estándar
de lotes de producción satisfactorios recientes.
El movimiento del valor actual fuera de esta banda variable en el tiempo podría ser
entonces la lógica que dispara una alarma (ver Fig. 7).
El uso de Lilly de sistemas expertos en tiempo real en la mayoría de sus
instalaciones de fabricación y desarrollo de procesos biológicos logra
En general, los sistemas de automatización de procesos actuales capturan
grandes volúmenes de datos de bioprocesos y los almacenan en bases de datos.
Además, las utilidades de control/historiador de computadora están disponibles y son
relativamente fáciles de usar para que los datos, en términos de gráficos de
tendencias, sean fáciles de visualizar. Además, hay herramientas disponibles para
ayudar a extraer el contenido de información y conocimiento en los datos
almacenados. Estas herramientas incluyen software de construcción de modelos
(por ejemplo, redes neuronales), análisis estadístico (por ejemplo, JMP), análisis de
componentes principales, generación de árboles de decisión, gráficos tridimensionales,
sistemas basados en reglas para analizar datos entrantes en tiempo real, etc.
Machine Translated by Google

JS Alford / Informática e ingeniería química 30 (2006) 1464–1475 1473

Las empresas que proporcionan herramientas eficaces de análisis de datos

incluyen SAS, Aegis, Spotfire, Gensym, Curvacious y varias otras.
Desafortunadamente, la mayoría de estas herramientas no están integradas
en los historiadores comerciales y, por lo tanto, requieren que los historiadores
interactúen con sistemas de terceros, o al menos descargar manualmente
conjuntos de datos seleccionados en hojas de cálculo de Excel y luego
transferir los datos a la herramienta de análisis.
El problema es que, si bien existen varios productos comerciales excelentes
de análisis de datos y minería, no se usan mucho en la industria de bioprocesos.
Esto se ha atribuido con frecuencia al importante esfuerzo manual requerido
para preparar conjuntos de datos para su presentación a la herramienta
aplicable. Una regla general es que se necesita alrededor del 90 % del tiempo
y esfuerzo del proyecto de minería de datos general para seleccionar y preparar
conjuntos de datos para el análisis y alrededor del 10 % del tiempo para
ejecutar la herramienta de análisis de datos. Este tiempo de preparación del 90
% es una barrera importante para un mayor uso de las herramientas de minería
de datos.
Para ayudar a desarrollar y evaluar técnicas de extracción de datos de
bioprocesos, Lilly se unió a un consorcio patrocinado por el MIT sobre análisis
de datos de fermentación a principios de la década de 1990, presidido por el
Fig. 8. Análisis de componentes principales.
profesor Greg Stephanopoulos. Como parte de este esfuerzo, Lilly examinó 2
años de datos de bioprocesos de una de sus plantas para encontrar alrededor
de 115 lotes para los cuales los datos se percibieron como válidos. Fue ningún aspecto del control del biorreactor entre la inoculación y la inducción.

necesario un gran número de lotes dada la gran cantidad de variables que

afectan el proceso y la alta variabilidad natural del proceso. Por ejemplo, al Si este esfuerzo suena desalentador, es solo el esfuerzo requerido para

solo considerar el paso de la inoculación, se debe transferir al fermentador un observar una operación de una sola unidad, es decir, el fermentador. Considere

número predeterminado de células de un tanque de siembra (basado en el el caso más general cuando intente determinar las causas fundamentales de

volumen de líquido medido y la densidad celular estimada), tiempo durante el la variabilidad en una operación aguas abajo (ver Fig. 3). La causa podría estar

cual las células pueden quedarse sin oxígeno o entrar en contacto con tuberías en cualquiera de las operaciones unitarias anteriores, como la fermentación, o,

de transferencia con refrigeración insuficiente. Por lo tanto, un lote de de hecho, en una operación controlada manualmente al principio de la vida del

fermentación no siempre comenzará con la misma cantidad de células viables, cultivo (ver Fig. 2). Al recopilar datos para analizar, es posible que algunos de

lo que luego puede afectar significativamente el crecimiento posterior, la los datos deban agregarse manualmente a la base de datos (es decir, de pasos

absorción de oxígeno, el oxígeno disuelto y otras tendencias en función del monitoreados manualmente de la operación general) y partes de los datos

tiempo. pueden provenir de diferentes historiadores, almacenados en diferentes

formatos. Además, normalmente no existe una correlación uno a uno entre los

Con respecto a si las fermentaciones eran aceptables para el análisis, los lotes de fermentación y los lotes de purificación (por ejemplo, debido a la

lotes que se contaminaron o cuyos sensores fallaron durante la ejecución se combinación de lotes para algunas operaciones), por lo que el seguimiento de

identificaron a partir de los registros de lotes y se desecharon. Luego, cada una la genealogía de lotes suele ser un desafío.

de las tendencias del proceso (alrededor de 30/lote) se invocó y se inspeccionó Por lo tanto, la clave para un mayor progreso en la minería de datos está

visualmente para buscar datos atípicos (por ejemplo, puntos espurios debido a en desarrollar herramientas para facilitar la preparación de conjuntos de datos.

fallas momentáneas de energía durante tormentas eléctricas). A continuación, Productos como Process Insights (de Pavillion) y Discoverant (de Aegis) tienen

se eliminaron los puntos atípicos del conjunto de datos para utilizarlos en el
análisis.
El siguiente desafío fue tener que estimar cada parámetro en intervalos de
tiempo específicos (requeridos para algunas herramientas de análisis). Esto
requería promediar múltiples puntos de datos o descomprimir datos comprimidos
en el historial para variables continuas (p. ej., pH). Para los ensayos fuera de
línea, esto requería realizar ensayos una vez al día y estimar (mediante
interpolación) los valores en otros momentos.
Una vez realizado este trabajo, los datos fueron normalizados y presentados
en el formato esperado por la herramienta de análisis. Una de las varias
técnicas de minería aplicadas al conjunto de datos fue el análisis de
componentes principales, que se muestra en la Fig. 8. Uno de los beneficios
de este análisis fue la eliminación de la mayoría de las hipótesis propuestas
con respecto a la diferencia entre buenas y malas rachas que se relacionan
con el tiempo . período entre la inoculación (tiempo = 0) y la inducción; es decir,
la causa de las malas rachas es probablemente
una importante funcionalidad de recopilación y preparación de datos para
ayudar con esto.
8. Comentario final
El estado del control de bioprocesos es consistente con un artículo reciente
(Spear, 2005) en el que se señala que la industria del control de procesos
claramente tiene un problema. Hay dos velocidades en juego: (1) el rápido
ritmo de desarrollo de las comunicaciones digitales y (2) la tasa más tranquila
(medida en años, si no décadas) de muchos de sus clientes.
Los nuevos biosensores, los dispositivos de campo más inteligentes y las
comunicaciones digitales están a punto de proporcionar a la industria de
bioprocesos muchos más datos que antes. El problema es que los usuarios
aún no son muy buenos para consolidar, analizar y extraer de manera eficiente
los datos que ya tienen. Las plantas ya tienen grandes
Machine Translated by Google
1474 JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
cantidad de alarmas molestas y datos permanecen como datos en lugar de convertirse
en información y conocimiento.
Si los tecnólogos aprenden a ser más inteligentes en lo que hacen con los datos
que ya tienen, estarán en una posición mucho mejor para administrar de manera
inteligente el aumento de datos a medida que se desarrollen dispositivos de campo y
técnicas de medición nuevos y más inteligentes.
Mientras que las compañías farmacéuticas y los proveedores están trabajando en
estas oportunidades de mejora, las instituciones de investigación pueden estar
trabajando en:
1. Mejor comprensión (incluidos modelos) de la relación entre las vías metabólicas
intracelulares y los parámetros extracelulares. (Tenga en cuenta que el control del
fermentador se trata principalmente de tratar de influir en el entorno interno de las
células mediante la manipulación del entorno externo).
2. Mejorar la funcionalidad de la red neuronal híbrida.
3. Herramientas de programación de plantas rápidas, eficientes y fáciles de configurar.
4. Versiones más fáciles de usar de técnicas de control avanzadas.
9. Información adicional: el sistema informático de fermentación de
Lilly
A principios de la década de 1970, los científicos e ingenieros de Lilly definieron
una visión para el monitoreo y control de bioprocesos que no se podía realizar con los
sistemas comerciales disponibles en ese momento. Por lo tanto, se organizó un equipo
que desarrolló el sistema histórico y de control del proceso de fermentación
personalizado de Lilly (Alford, 1981, 1990).
Durante los años siguientes, Lilly incorporó nueva tecnología informática a medida
que estuvo disponible comercialmente. Una adición importante de PAT fue el uso de
espectrómetros de masas de proceso.
Este sistema se reprodujo en todas las principales instalaciones de investigación,
desarrollo y fabricación de fermentación de Lilly a fines de la década de 1970 y
principios de la de 1980. Los historiadores del sitio de la planta se vincularon
electrónicamente para facilitar el intercambio y la comparación de los datos del proceso.
La interfaz con los sistemas expertos en tiempo real comenzó en 1990. Muchos de
estos sistemas siguen funcionando hoy, más de 25 años después.
Varias características de este sistema siguen siendo funciones avanzadas en
comparación con los sistemas comerciales actuales. Los proveedores de automatización
deben tener en cuenta que estos son prácticos y agregan valor a los clientes:
1. Cambiabilidad en línea de toda la lógica de recetas de control de procesos.
Esto es especialmente valioso para las operaciones de investigación y desarrollo
cuando los cambios son frecuentes y no todos pueden anticiparse
prospectivamente antes de una ejecución.
2. Pistas de auditoría automatizadas para cambios en línea.
3. Lógica de secuenciación continua y por lotes en un solo entorno de configuración
(es decir, ambos paradigmas implementados en la misma receta).
4. Creación de recetas de control de procesos lo suficientemente simple como para
que la puedan realizar los técnicos.
5. Gráficos de tendencia mostrados en tiempo relativo (es decir, tiempo desde el
comienzo del lote o paso del lote).
6. Procesar datos de diferentes fermentadores en diferentes plantas que se muestran
en la misma parcela (especialmente valiosos para escalar
procesos y en la comparación de diferentes plantas que fabrican el mismo
producto).
7. La capacidad de mostrar alarmas, comentarios del operador, datos de ensayos
discretos generados fuera de línea y datos continuos de control de procesos en
el mismo gráfico/pantalla.
8. Interfaz con sistemas expertos basados en reglas para diagnósticos de procesos
en tiempo real, análisis de datos y aplicaciones de alarmas remotas inteligentes.
9. Uso de direccionamiento relativo de entrada-salida. Esto permite utilizar la misma
receta de aplicación para cualquier biorreactor instrumentado de manera similar.
10. Registros de datos que se pueden ordenar, consultar y mostrar por número de
tanque, número de lote, paso/fase del proceso y cualquier otro atributo etiquetado.
11. Capacidad para ver gráficos de datos y recibir alarmas desde ubicaciones remotas,
incluidas las casas de los empleados.
12. Capacidad para descomprimir datos históricos en estimaciones interpoladas a
intervalos de tiempo periódicos (requerido para algunas herramientas de análisis
de datos).
13. Capacidad para calcular bandas (es decir, el valor promedio variable en el tiempo
±2 desviaciones estándar) en función del análisis de datos históricos
seleccionados, para usar como telón de fondo en las tendencias de datos de
control de procesos.
Expresiones de gratitud
El autor desea reconocer el compromiso con la excelencia y las muchas
oportunidades que le brindó la gerencia de Eli Lilly & Co. durante su carrera. Además
reconoce las contribuciones de sus mentores, compañeros y asociados por su gran
ayuda en los proyectos y en su comprensión de los bioprocesos.
Referencias
Alford, J. (1978). Modelado de concentración celular en medios complejos, biotecnología
y bioingeniería: vol. XX, John Wiley and Sons, págs. 1873–1881.
Alford, J. (1981). Desarrollo del sistema informático de fermentación en Eli Lilly and
Company. En Actas de la tercera conferencia internacional sobre aplicaciones
informáticas en tecnología de fermentación.
Alford, J. (1990). Implementación del sistema informático de fermentación personalizado
en Eli Lilly and Company. En Un capítulo de libro de texto invitado sobre el control
informático de los procesos de fermentación. Prensa CRC.
Alford, J. (2006). Espectrometría de masas de bioprocesos: una aplicación PAT. Diario de
Process Analytical Technology, 3 (junio (3)).
Alford, J., Cairney, C., Higgs, R., Honsowetz, M., Huynh, V., Jines, A., et al. (1999a).
Recompensas reales de la inteligencia artificial. Intech, 46(4), 52–55.
Alford, J., Cairney, C., Higgs, R., Honsowetz, M., Huynh, V., Jines, A., et al. (1999b). Uso
de aplicaciones de sistemas expertos en línea en plantas de fermentación.
Intech, 46(7), 50–55.
Alford, J., Kindervater, J. y Stankovich, R. (2005). Gestión de alarmas para industrias
reguladas. Progreso de la ingeniería química, 101 (abril (4)).
Boeck, L., Wetzel, R., Burt, S., Huber, F., Fowler, G. y Alford, J. (1988).
Esterilización de los medios del biorreactor sobre la base de la entrada térmica
calculada por computadora, designada como Fo. Revista de Microbiología Industrial,
3, 305–310.
Boeck, L., Alford, J., Pieper, R. y Huber, F. (1989). Interacción de los componentes de los
medios durante la esterilización del biorreactor: Definición e importancia de Ro.
Revista de Microbiología Industrial, 4, 247–252.
Cockshott, AR y Hartman, BE (2001). Mejora del medio de fermentación para la producción
de equinocandina B. Parte II: Optimización de enjambres de partículas. Bioquímica de
procesos, 36, 661–669.
Machine Translated by Google
JS Alford / Informática e ingeniería química 30 (2006) 1464–1475
Cockshott, AR y Sullivan, GR (2001). Mejora del medio de fermentación para la producción de
equinocandina B. Parte I: Diseño experimental estadístico secuencial. Bioquímica de
procesos, 36, 647–660.
Nyttle, VG y Chidambaram, M. (1993). Control de lógica difusa de un fermentador alimentado por
lotes. Ingeniería de bioprocesos, 9, 115–118.
Psicogios, D. y Ungar, L. (1992). Una red neuronal híbrida: enfoque de primeros principios para
el modelado de procesos. Revista AIChE, 38 (octubre (10)).
Rani, Y. y Rao, R. (1999). Control de fermentadores: una revisión. Ingeniería de bioprocesos,
21, 77–88.
Rosenzweig, M. (2005). Las plantas se vuelven más inteligentes. Procesamiento químico, (junio),
16–21.
Escudos, RW y Kao, EI (1994). Un algoritmo de control de oxígeno disuelto en la fermentación
que minimiza los costos. Ingeniería de bioprocesos, 10(2), 91– 98.
1475
Lanza, M. (2005). ¿Es hora de subir la velocidad? Los desarrollos de control de procesos
continúan superando su aceptación por parte de la industria. Procesamiento Químico,
(junio), 50.
Strobel, R. y Hartman, B. (1999). Optimización de enjambres de partículas para mejorar la
fermentación de glicopéptidos. Avances recientes en tecnología de fermentación, RAFT III.
Sarasota, Florida.
Departamento de Salud y Servicios Humanos de EE. UU., Administración de Alimentos y
Medicamentos (2004). Guía para PAT de la industria: un marco para el desarrollo, la
fabricación y la garantía de calidad de productos farmacéuticos innovadores. Rockville, MD.
Disponible en www.fda.gov/cder/guidance.
Vlassides, S., Ferrier, J. y Block, D. (2001). Uso de datos históricos para la optimización de
bioprocesos: modelado de las características del vino utilizando redes neuronales artificiales
e información de proceso archivada. Biotecnología y Bioingeniería, 73(1), 55–68.