Métodos de regresión multivariante en biorreactores

El uso de métodos de regresión multivariante en biorreactores es particularmente útil en la estimación de AEC (Atributos Críticos de la Calidad) y PPC (Parámetros Críticos del Proceso) que no son fácilmente medibles en tiempo real.

El siguiente estudio de caso demuestra el uso de PLS en la estimación de las concentraciones de aminoácidos y de la forma de glicosilación en la producción de anticuerpos monoclonales utilizando cultivos de células híbridas.

Green y Glassey informaron que varios métodos multivariante en biorreactores de extracción de características de análisis de datos multivariados, como PARAFAC, PCA y PCA multivariado, fueron capaces de capturar las diferencias entre lotes realizados bajo diferentes condiciones de operación, destacando particularmente el impacto negativo de los altos valores de oxígeno disuelto y pH.

Estas observaciones en biorreactores de tanque de acero confirmaron las observaciones anteriores de Ivarsson et al. Posteriormente, se desarrollaron modelos de PLS utilizando datos en línea y fuera de línea para estimar parámetros importantes del proceso (como las concentraciones de aminoácidos durante los cultivos) y un AEC del anticuerpo monoclonal: sus formas de glicosilación.

Se desarrollaron varios modelos para cada variable de salida, resumiendo los modelos de estimación de aminoácidos, las variables de entrada y salida para cada uno de los modelos junto con el número de variables latentes y el rendimiento de los modelos en los conjuntos de datos de validación en términos del error cuadrático medio.

Claramente, los datos en línea fueron suficientes para estimar la concentración de algunos aminoácidos con precisión suficiente, aunque para otros aminoácidos (por ejemplo, ALA, GLU, GLY y VAL, números 1, 7, 8 y 20), la precisión es menor. Sin embargo, los beneficios en comprender el comportamiento del cultivo celular y la oportunidad de obtener estimaciones de parámetros metabólicos importantes en tiempo real son, sin duda, una ventaja significativa para comprender el estado metabólico del cultivo.

No obstante, sería aún más beneficioso poder estimar los AEC (Atributos Críticos de la Calidad), como la concentración de las glicoformas producidas por el cultivo celular. Las predicciones menos precisas se obtuvieron para las glicanos G0F y G1F. Las razones de esto están siendo investigadas actualmente.

Habíamos revisado los diversos sensores y técnicas analíticas utilizadas en la medición de procesos biológicos, tanto en procesos biotecnológicos tradicionales como en experimentos de alto rendimiento y a escala reducida. Se discutieron los desafíos introducidos por la variabilidad en la frecuencia de las mediciones y la gran cantidad de mediciones de diversas tecnologías de sensores (particularmente los métodos multianalíticos, como los métodos multivariante en biorreactores espectrales y "ómicos"). Se revisaron métodos específicos de preprocesamiento de datos, especialmente en el caso de datos espectrales.

Se proporcionó un breve resumen de PCA y PLS como ejemplos de métodos multivariante en biorreactores de extracción/clasificación de características y métodos de regresión. Se describieron variantes no lineales de ambos métodos de clasificación y regresión como alternativas a PCA y PLS.

Finalmente, se presentaron dos estudios de caso de procesos biotecnológicos. En el primer estudio de caso, se utilizó PCA para identificar las diferencias entre lotes de producción de 𝛽-galactosidasa recombinante de E. coli basados en datos del olfato electrónico monitoreados durante el cultivo.

En el segundo estudio de caso, se utilizó PLS para predecir la concentración de aminoácidos y los perfiles de glicosilación a partir de datos en línea y fuera de línea recopilados durante la producción de anticuerpos monoclonales utilizando cultivos de células hibridoma.

Estos estudios de caso resaltaron tanto los beneficios de enfoques como estos como los desafíos que se enfrentan en su aplicación, especialmente cuando los datos disponibles de los procesos son limitados y la comprensión fundamental de los procesos subyacentes es limitada.

Leer más Aquí Métodos de regresión multivariante en biorreactores

Control de los procesos biotecnológicos

Hay una gran cantidad de desafíos en el monitoreo y control de los procesos biotecnológicos donde el análisis exploratorio de datos, la agrupación y la clasificación no cumplen con los requisitos de la aplicación específica. Por ejemplo, en los sensores virtuales (ver Capítulo 15), se requieren métodos de regresión que permitan predecir un atributo de calidad crítico deseado (CQA) o un Parámetro de Proceso Crítico (CPP) a partir de datos del proceso. En un mundo ideal, estos datos se obtendrían mediante mediciones analíticas oportunas, precisas y robustas. Sin embargo, la falta de técnicas apropiadas para medir CQAs, especialmente cuando están presentes en cantidades muy bajas en medios complejos, plantea la necesidad de estimación inferencial a través de la tecnología de sensores virtuales (ver Capítulo 15) de tales atributos y CPPs utilizando mediciones del proceso que están fácilmente disponibles. Esta parte del capítulo, por lo tanto, revisa brevemente los métodos de regresión establecidos, destacando especialmente sus aplicaciones en la modelización de biorreactores.

La técnica de regresión lineal más ampliamente utilizada para correlacionar variables causales (X) y variables de salida (Y) en una variedad de procesos es el método de mínimos cuadrados parciales (PLS, por sus siglas en inglés) y sus diversas modificaciones. El algoritmo PLS se basa en la proyección de las variables de entrada (X) y salida (Y) en un número de variables latentes e identifica la correlación de mínimos cuadrados entre estas nuevas variables mediante una regresión lineal de entrada única y salida única.

Donde E y F son matrices residuales, np es el número de componentes internos que se utilizan en el modelo, y nx es el número de variables causales.

Donde bk es un coeficiente de regresión y 𝜀k se refiere al error de predicción. El desafío asociado con control de los procesos biotecnológicos y conjuntos de datos grandes recopilados utilizando métodos de medición multianalito (por ejemplo, métodos espectroscópicos u "ómicos") se aborda en parte gracias a la capacidad de PLS para reducir las dimensiones de los datos. Sin embargo, la evidencia muestra que la preselección de variables para el modelado de PLS puede mejorar significativamente el rendimiento del modelo. Por ejemplo, el PLS ortogonalizado (O-PLS) elimina la variación ortogonal con respecto a las variables de salida Y del conjunto de variables de entrada X. Utilizando este método, Yang et al. demostraron que la variabilidad óptica no relevante para los analitos en los espectros NIR de tejidos humanos les permitió tener en cuenta la superposición de tejidos y, por lo tanto, obtener una representación más precisa de las concentraciones de analitos dentro de un tejido específico.

La limitación reportada debido a la suposición de relaciones lineales entre las variables se aborda en una variedad de métodos alternativos de PLS. Estos incluyen la incorporación de relaciones polinómicas en la estructura de PLS, el uso de redes neuronales artificiales como modelos internos de PLS o estructuras híbridas que incorporan ecuaciones de balance de masas basadas en una comprensión de primeros principios del proceso. Al igual que con el control de los procesos biotecnológicos, los métodos de extracción de características y clasificación, las redes neuronales representan un enfoque alternativo de modelado de regresión no lineal con una amplia gama de ejemplos de aplicación en la modelización y monitoreo de procesos biotecnológicos.

Extracción de características utilizando PCA

Se presenta un ejemplo de la aplicación de la técnica de extracción de características en el control de los procesos biotecnológicos para identificar las diferencias en el rendimiento del biorreactor bajo diversas condiciones utilizando medidas de nariz electrónica para demostrar la utilidad de enfoques como este. Para este estudio de caso, se llevaron a cabo una serie de seis fermentaciones de E. coli recombinante y se utilizaron para investigar el efecto de los regímenes de inducción en la producción de 𝛽-galactosidasa. Durante estas cultivaciones, se utilizó una nariz electrónica híbrida comercial de la antigua Nordic Sensor Technologies A.B, Linköping (posteriormente Applied Sensors), NST 3320. La formación de 𝛽-galactosidasa en todos los lotes se indujo con isopropil-𝛽-d-tiogalactopiranósido (IPTG).

Dos de los lotes, denominados 1A y 1B, fueron inducidos temprano (durante la fase de crecimiento exponencial a las 19 horas de registro). Otros dos lotes, referidos como 2A y 2B, fueron inducidos durante la fase estacionaria a las 26-27 horas de registro. La cepa de E. coli con el vector de expresión operado por el promotor lac UV se utilizó en los cuatro de estos lotes. Las dos cultivaciones restantes, 3A y 3B, se llevaron a cabo como control de los procesos biotecnológicos. El lote 3A se indujo temprano a las 20 horas de registro y el lote 3B se indujo tarde a las 27 horas de registro. En estos dos lotes se utilizó una cepa que portaba un plásmido vacío, lo que resultó en la ausencia de producción de 𝛽-galactosidasa. Se midieron datos extensos en línea y fuera de línea, incluyendo temperatura, presión, pH, tasa de flujo de gas, porcentaje de O2 y CO2 en el gas de escape y porcentaje de oxígeno disuelto en el caldo, concentraciones de glucosa, ácido acético y formato, densidad óptica (600 nm) y peso en seco.

Cinco de los sensores de la nariz electrónica, concretamente aquellos sensibles al hidrógeno, metano y humedad, fueron eliminados del conjunto de datos antes del análisis debido a su falta de relevancia en esta aplicación.

Se realizó un análisis de componentes principales (PCA) en la parte de Respuesta de las señales de sensor restantes y se muestran los gráficos de puntuaciones para los datos de Respuesta sin procesar de los seis lotes. Esto se compara con el mismo análisis después de eliminar las variables insignificantes (lo que reduce la dimensionalidad de los datos de 120 variables a 49 variables).

En estas figuras, las puntuaciones de cada uno de los lotes se muestran en diferentes colores utilizando símbolos diferentes (ver leyenda). Claramente, la reducción de variables no ha afectado la capacidad del PCA para discriminar entre los lotes individuales. Los lotes que destacan por tener un perfil de puntuaciones diferente, es decir, 1A, 2A y en cierta medida 1B, fueron, por lo tanto, analizados en una comparación par a par para elucidar las diferencias observadas.

Artículo completo Aquí Control de los procesos biotecnológicos

Modelización para monitoreo de bioreactores

En la modelización para monitoreo de biorreactores se toman en cuenta los desafíos introducidos por los datos recopilados de los bioprocesos, en particular la alta dimensionalidad de los conjuntos de datos resultantes, hacen que los enfoques multivariados para la modelización de datos de bioprocesos sean un requisito esencial. El uso de herramientas quimiométricas está bien establecido en otros campos científicos, especialmente en química, aunque su amplia aceptación en la modelización de bioprocesos se evidencia por la gran cantidad de publicaciones que informan sobre el uso rutinario de estas herramientas tanto en la investigación como en las aplicaciones industriales. Se presentan brevemente varios enfoques de modelización multivariada, tanto lineales como no lineales, con énfasis específico en su aplicabilidad para el monitoreo y control de bioprocesos.

A pesar de que el argumento en el monitoreo de biorreactores de utilizar métodos basados en la suposición fundamental de relaciones lineales entre las variables del proceso se cita con frecuencia como una limitación importante de los métodos lineales, estos siguen siendo ampliamente utilizados y aceptados en el análisis y modelado de datos de bioprocesos. A pesar del carácter no lineal de los bioprocesos, se ha demostrado que diversas modificaciones y preprocesamiento de datos permiten que los métodos lineales capturen de manera efectiva las características subyacentes de los bioprocesos modelados.

Extracción de características y clasificación

Uno de los métodos de análisis exploratorio de datos/extracción de características más frecuentemente descritos en la literatura de quimiometría es el análisis de componentes principales (PCA, por sus siglas en inglés). Esta técnica de monitoreo de bioreactores se utiliza con frecuencia como un enfoque de reducción de datos, especialmente antes de llevar a cabo un análisis de regresión adicional. Esta capacidad de reducción de datos resulta de la descomposición de la matriz de datos original de las mediciones del proceso (X) en un conjunto de variables no correlacionadas (componentes principales - PCs). Los PCs ortogonales resultantes son una combinación lineal de las variables originales del proceso, con el primer PC capturando la mayor parte de la varianza en los datos originales y los PCs subsiguientes capturando una proporción decreciente de la varianza, respectivamente.

La siguiente ecuación representa esta descomposición en términos de las matrices resultantes de puntajes (T) y cargas (P), y una matriz de error residual (E):

X=TPT +E

Dado que los componentes principales (PCs) se ordenan en función de la disminución de la varianza, es posible capturar las características subyacentes en los datos originales utilizando menos PCs, lo que reduce la dimensionalidad de los datos originales. Esto hace que el PCA sea especialmente adecuado en el monitoreo de biorreactores para el análisis de datos altamente dimensionales producidos por técnicas de huella dactilar y métodos multianalíticos, como técnicas espectroscópicas, narices y lenguas electrónicas, así como la salida de diversas mediciones "ómicas", según confirman numerosos informes en la literatura.

Las fuentes de literatura sobre la aplicación del PCA en el análisis de datos de bioprocesos abarcan una amplia gama de aspectos de los bioprocesos, desde la materia prima, el cultivo de semillas, la producción en lotes o el monitoreo de la calidad del proceso aguas abajo. La funcionalidad del PCA para la reducción de la dimensionalidad de los datos del proceso se utiliza típicamente en todas estas aplicaciones. El conjunto resultante de componentes principales se utiliza típicamente posteriormente como entradas en modelos de monitoreo de procesos dentro de esquemas de control estadístico multivariado de procesos (MSPC).

En una variedad de aplicaciones, el PCA y técnicas similares, como el análisis discriminante lineal/cuadrático/regularizado, los vecinos más cercanos o la agrupación jerárquica, se utilizan como "clasificadores", es decir, asignan muestras/objetos a una de las posibles clases en función de las mediciones recopiladas para la muestra/objeto dada en comparación con una biblioteca de muestras similares recopiladas a lo largo del tiempo. Estas aplicaciones en el monitoreo de biorreactores son particularmente útiles para identificar similitudes, por ejemplo, en datos de expresión génica recopilados a través de una variedad de microarrays de ADN/ARN o patrones en datos de metabolómica. En tales aplicaciones, el problema importante es especificar los criterios para discriminar entre las diversas clases. Los peligros de las decisiones arbitrarias en este sentido son discutidos por Glassey, donde se presenta un estudio de caso sobre el uso del PCA para discriminar entre lotes de producción de anticuerpos monoclonales recombinantes de alta y baja producción utilizando el sistema de expresión de Escherichia coli. Aunque inicialmente la agrupación de componentes principales parecía proporcionar una clasificación razonable para la discriminación requerida, un análisis más profundo reveló que la agrupación inicial arbitraria estaba más relacionada con la composición del alimento que con el título del producto.

En el control de calidad multivariado, típicamente en la industria alimentaria y potencialmente muy importante en la industria biofarmacéutica para asegurar la calidad del producto final, las técnicas mencionadas anteriormente suelen ser menos aplicables. En tales casos, es importante determinar sin lugar a dudas si el producto pertenece a una categoría en particular (por ejemplo, productos alimentarios no adulterados de una región específica). Forina et al. argumentan que esta tarea es más adecuada para las técnicas de modelado de clases (CMT), como UNEQ, SIMCA, POTFUN (modelado de funciones potenciales) y MRM (modelado de rangos multivariados). Estos métodos se discuten luego con más detalle en términos de su capacidad discriminatoria y su sensibilidad al ruido en los datos.

Para contrarrestar el argumento de la limitación de las técnicas de extracción y clasificación de características lineales, se introdujo un gran número de métodos no lineales. Estos no solo incluyen variantes no lineales de las técnicas lineales descritas anteriormente en el monitoreo de biorreactores, sino también técnicas basadas en redes neuronales artificiales, descritas con más detalle por Marini o Glassey. Este último también proporciona ejemplos de aplicaciones de bioprocesos de tales técnicas para identificar el estado fisiológico de la cultura y, por lo tanto, potencialmente mejorar la estimación de importantes parámetros del proceso.

Más información Aquí Modelización para monitoreo de bioreactores

Monitorización de Bioprocesos

Métodos alternativos de medición multianalito de bioprocesos, como biorreactores con sensores de nariz electrónica y las lenguas electrónicas, también se han utilizado con éxito en la monitorización de bioprocesos.

Estos tipos de enfoques son matrices multisensoriales, que frecuentemente utilizan una variedad de principios de transducción, como electroquímicos, gravimétricos y ópticos, tal como Rudnitskaya y Legin resaltan, junto con proporcionar un resumen de los materiales de detección respectivos y los analitos/aplicaciones.

Una ventaja particular de los biorreactores con sensores de nariz electrónica, frecuentemente destacada en la literatura, es su capacidad para medir analitos volátiles directamente en el espacio de cabeza/gas de salida sin necesidad de contacto directo con el medio de cultivo.

Además, podría haber retrasos temporales, especialmente para analitos de baja concentración, y los sensores podrían verse afectados por la deriva y la interferencia del vapor de agua.

Aunque la lengua electrónica puede requerir cierta preparación de la muestra para eliminar sólidos suspendidos a fin de que el medio líquido entre en contacto con la matriz de sensores.

Varios métodos "ómicos", en esencia, también producen una huella dactilar de las características del organismo o del entorno en el que se cultivan y podrían considerarse métodos de monitorización de huellas dactilares.

Ejemplos de herramientas genómicas, transcriptómicas, proteómicas y metabolómicas utilizadas para la monitorización de bioprocesos y para aumentar la comprensión demuestran el valor agregado que estos métodos pueden ofrecer en el desarrollo y operación de bioprocesos.

Características y Desafíos de los Datos para la Modelización

La diversidad de bioprocesos conduce a una variabilidad significativa en la calidad y cantidad de los datos del proceso medidos.

Como argumentan Vojinovic y colaboradores, las variables del proceso medidas, la frecuencia, la precisión y el retraso temporal se ven afectados por el proceso de fabricación que está siendo monitorizado.

En general, sin embargo, la multitud de métodos analíticos utilizados en la modelización de bioprocesos (consultar secciones anteriores) resulta en una cantidad sustancial de datos continuos y discretos de calidad variable y registrados a diversas frecuencias.

Este problema de la frecuencia variable y la gran cantidad de datos se ve exacerbado por el uso de tecnologías de alto rendimiento, donde el cuello de botella en el desarrollo de procesos se traslada de la disponibilidad de recursos para llevar a cabo los experimentos necesarios al análisis de datos de la gran cantidad de datos resultantes.

Por lo tanto, se requiere un procesamiento de datos significativo para que los datos puedan ser utilizados en el desarrollo de modelos de bioprocesos con fines de monitorización y control.

Este preprocesamiento y conciliación de datos pueden incluir la alineación temporal simple, el relleno de datos faltantes mediante interpolación o el uso de métodos más sofisticados.

Los datos espectroscópicos en particular han demostrado beneficiarse de un preprocesamiento adecuado para reducir las fuentes de variabilidad y ruido en los datos, y mejorar el contenido informativo del conjunto de datos resultante.

Estos métodos de preprocesamiento frecuentemente incluyen el centrado en la media (dado que los espectros se miden en las mismas unidades, esta estandarización suele ser satisfactoria), el uso de derivadas para eliminar el desplazamiento de la línea base o la variación de la pendiente, o diversos métodos de suavizado y corrección de dispersión.

Estos incluyen el suavizado de datos ruidosos mediante un filtro de Savitzky-Golay, la corrección de dispersión multiplicativa (MSC) y la variación normal estándar (SNV).

Uno de los principales desafíos para la modelización multivariante efectiva de datos de bioprocesos con fines de monitorización y control es la fusión de datos de diversas fuentes y con diversas características.

Es posible utilizar diversas representaciones matemáticas de los datos para capturar las características más relevantes de cada etapa del bioproceso, y las metodologías para combinarlas en un marco efectivo capaz de capturar el comportamiento completo del proceso aún no están suficientemente estandarizadas.

Fuente original Aquí Monitorización de Bioprocesos

Métodos de medición avanzados en biorreactores

Con el rápido desarrollo de las técnicas analíticas, la categorización de los métodos en tradicionales y avanzados se está volviendo cada vez más arbitraria. Una amplia gama de técnicas consideradas avanzadas en la medición avanzada en biorreactores (al menos desde el punto de vista de la aplicación industrial) ahora se utilizan rutinariamente en el procesamiento de biomoléculas. Muchas de estas técnicas todavía se utilizan predominantemente fuera de línea, es decir, requieren muestreo manual o automático con transferencia de muestras a laboratorios especializados para su análisis. Sin embargo, ya se están aplicando técnicas en línea, frecuentemente in situ, con una sonda colocada dentro de un biorreactor o una operación unitaria desde donde se realiza la medición. El progreso más notable en el monitoreo de los bioprocesos se registró, como era de esperar, en la etapa de la parte aguas arriba (biorreactor). Se puede argumentar que esta etapa es la parte más desafiante del bioproceso desde el punto de vista del monitoreo y control, dada la complejidad del proceso y su impacto potencial en la calidad y cantidad del producto.

Los avances recientes en medición avanzada en biorreactores, particularmente en la tecnología de fibra óptica y el desarrollo de espectrómetros y sondas in situ robustas, hacen que los métodos espectrales de monitoreo de bioprocesos sean especialmente atractivos. En el sector de las bioindustrias, la espectroscopía, en particular la espectroscopía de infrarrojo cercano (NIR), se utilizaba tradicionalmente en la industria alimentaria. En el caso de la espectroscopía NIR, se destacaron características como alta capacidad de procesamiento, tiempo de respuesta corto, base rápida y no destructiva, capacidad de muestreo remoto, poca o ninguna preparación de muestras y la capacidad de proporcionar determinación simultánea de múltiples componentes por medición en tiempo real, especialmente beneficiosas para la industria alimentaria. Estas características son igualmente beneficiosas en otras áreas del procesamiento de biomoléculas.

Existen varios métodos de medición avanzada en biorreactores que se basan en la absorción de radiación en regiones específicas del espectro electromagnético, desde ultravioleta (UV) hasta ondas de radio, y se utilizan en diferentes grados en las bioindustrias. Tamburini y colaboradores describen varias técnicas y analitos medidos por estos métodos en función de la longitud de onda en la que operan. Lourenco y colaboradores ofrecen una visión general exhaustiva del análisis espectroscópico (UV/vis, NIR, infrarrojo medio (MIR), Raman y fluorescencia) en la amplia industria de los bioprocesos, incluyendo el ámbito medioambiental, agroalimentario, de biocombustibles y farmacéutico. Para cada aplicación, se muestran la escala de producción, los detalles del sistema espectroscópico utilizado, así como el método de análisis de datos quimiométricos y el modo de aplicación (monitoreo y control cualitativo/cuantitativo). Aunque la espectroscopía UV/vis, la fluorometría, la espectroscopía Raman y la espectroscopía de resonancia magnética nuclear (NMR) han demostrado ser útiles para el monitoreo de la biomasa, NADH, ATP, glucosa y otros metabolitos, la espectroscopía infrarroja, en particular la NIR, ha encontrado la aplicación más diversa tanto en la investigación como en la industria en las últimas décadas.

a capacidad de detectar grupos que contienen enlaces –CH (ya sean alifáticos, aromáticos o alquenos), –NH y –OH permite la identificación rápida de muestras de bioprocesos en la región del espectro NIR (700-2500 nm) o MIR (2500-40000 nm).

Se informó que la espectroscopía NIR se aplica con éxito de manera rutinaria en la biomanufactura, especialmente en pruebas de calidad de materias primas y productos finales, y de manera más amplia en el monitoreo de bioprocesos para una variedad de analitos en el procesamiento aguas arriba (por ejemplo, para una visión general) o la calidad del producto aguas abajo. La última publicación de medición avanzada en biorreactores fue especialmente útil desde el punto de vista del monitoreo de bioprocesos, ya que demostró la capacidad de la espectroscopía MIR para cuantificar agregados solubles de anticuerpos (se probaron dos anticuerpos diferentes) después de la elución de la proteína A, así como en dos diferentes sobrenadantes de cultivo de células CHO clarificados. Los autores pudieron demostrar una capacidad de predicción satisfactoria hasta el 1% de agregados en comparación con la cantidad total de anticuerpos, con coeficientes de variación inferiores al 20% para la mayoría de las muestras.

Sin embargo, el éxito de la aplicación a menudo se ve influenciado por una serie de factores interferentes, como la agitación, las burbujas de gas, los cambios de temperatura, la alimentación y los cambios en la composición del medio. Por lo tanto, el preprocesamiento adecuado de los datos y los métodos de análisis de datos multivariados son especialmente importantes en estos casos, y se discuten en las secciones siguientes.

Publicado en Aquí Métodos de medición avanzados en biorreactores

Métodos de medición analítica para el monitoreo de biorreactores

El monitoreo oportuno del comportamiento del proceso no solo es requerido por las pautas de la Tecnología Analítica de Procesos (PAT, por sus siglas en inglés), sino que constituye una base crítica para un control de proceso efectivo. Una revisión detallada de la instrumentación específica del proceso para la medición de parámetros críticos está más allá del alcance de este capítulo, y varios autores ofrecen una revisión útil de técnicas de medición útiles para los bioprocesos en general, ya sea enfocándose en tipos específicos de bioprocesos o tipos de sensores. Independientemente del bioproceso considerado, es importante considerar cuidadosamente las características de los sensores antes de su aplicación en un esquema de monitoreo y control. Estas consideraciones incluyen precisión y resolución, precisión, sensibilidad, confiabilidad, tiempo de respuesta, practicidad, así como el costo. Vojinovic et al. incluyen requisitos adicionales sobre los sensores de bioprocesos in situ, como la capacidad de funcionar sin ensuciamiento durante períodos prolongados de tiempo, soportar condiciones extremas durante la esterilización y tener un rango dinámico que cubra la variación esperada en la variable de proceso medida.

Otras consideraciones para la medición analítica para el monitoreo de biorreactores incluyen la capacidad de generar datos de múltiples analitos sin consumo de analitos y sin interferencia con el metabolismo del cultivo. Dada la amplia bibliografía relacionada con los sensores, la frecuencia de la medición y la disponibilidad de sensores ya existentes, solo se presenta un breve resumen de los sensores más relevantes para los bioprocesos considerados en este libro en las siguientes secciones.

Métodos de medición tradicionales

Sonnleitner ofrece una descripción detallada de varios métodos para monitorear variables físicas y químicas en la medición analítica para el monitoreo de biorreactores, incluyendo mediciones de temperatura, tasas de flujo, pH, pO2, pCO2 y composición de gases. También se incluye una revisión exhaustiva y actualizada de los métodos de biomasa y bioactividad, resaltando los beneficios y los desafíos asociados con los diversos métodos detallados en la revisión.

Una revisión adicional del progreso histórico del monitoreo y control por computadora, con un énfasis particular en el monitoreo y control de procesos de fermentación en las últimas cuatro décadas, es proporcionada por la revisión de Junker y Wang en conmemoración del septuagésimo cumpleaños de Daniel I.C. Wang, cuya investigación ha dado forma significativa a las direcciones del control y monitoreo de bioprocesos por computadora.

El desarrollo temprano de medición analítica para el monitoreo de biorreactores se centró en la aplicación de principios de ingeniería, como el balance de masa y energía, junto con métodos de medición tradicionales existentes. Tales enfoques todavía se utilizan ampliamente en el monitoreo de bioprocesos y forman una parte sustancial de los sistemas de monitoreo avanzados que utilizan conceptos más avanzados de sensores virtuales.

En el contexto del modelado multivariante para el monitoreo de bioprocesos, es importante tener en cuenta que los métodos de medición tradicionales suelen proporcionar conjuntos de datos extensos con una frecuencia de muestreo relativamente alta, lo que a menudo requiere un preprocesamiento y reducción de datos. En aplicaciones industriales, las frecuencias de muestreo se establecen a menudo en registros de excepción, con valores de sensores registrados solo cuando se satisfacen criterios específicos para un cambio respecto a los valores del punto de ajuste.

A pesar de la naturaleza establecida de los métodos de medición tradicionales en el bioprocesamiento, los enfoques de reducción de escala y alta capacidad cada vez más utilizados en el desarrollo de bioprocesos presentan desafíos adicionales incluso en esta área. La medición analítica para el monitoreo de biorreactores en tiempo real de variables de proceso físicas y químicas relativamente sencillas en microbioreactores puede aumentar considerablemente los desafíos de monitoreo.

La mayoría de las plataformas disponibles comercialmente para el microprocesamiento y el procesamiento de alto rendimiento en bioprocesos proporcionan capacidades de monitoreo fundamentales (para una revisión útil de dicho procesamiento para procesos de cultivo de células animales, ver, por ejemplo, Kim et al.). Estas capacidades generalmente cubren la temperatura, el pH y, en algunos casos, los niveles de oxígeno disuelto, mientras que las variables biológicamente relevantes, como el número de células o actividades, se miden fuera de línea.

A escalas más pequeñas, las mediciones y el control del pH y el oxígeno disuelto (y/o el dióxido de carbono disuelto en el caso de cultivos celulares) a menudo se basan en las propiedades de extinción de colorantes fluorescentes. Esto introduce desafíos adicionales al monitoreo en términos de rango y sensibilidad.

Publicado en Aquí Métodos de medición analítica para el monitoreo de biorreactores

Modelado multivariante para monitoreo y control de biorreactores

Durante la última década, la importancia del monitoreo, modelado y control de biorreactores ganó rápidamente prominencia en la comunidad científica y la industria, en parte debido al énfasis puesto en este aspecto del procesamiento por parte de las tecnologías de calidad por diseño (QbD) y análisis de procesos. (PAT) documentos de directrices.

Otro impulsor importante que eleva la importancia de esta disciplina es el impacto del monitoreo y efectivo control de biorreactores sobre el desempeño comercial de la industria manufacturera.

Además, el modelado puede acelerar significativamente el desarrollo de bioprocesos, mejorando la competitividad en el mercado de nuevos productos y ramas emergentes de la industria de bioprocesos, incluidas las terapias celulares, las tecnologías de células madre y la producción de órganos artificiales descrita anteriormente en este blog.

Actualmente existe una plétora de artículos científicos, revisiones y libros que tratan sobre aspectos del control de biorreactores, modelado y monitoreo de bioprocesos. Una búsqueda rápida en Web of Science de estas palabras clave indica 3214 entradas en todos los años.

Sin embargo, este campo científico sigue creciendo y evolucionando para abarcar los últimos avances en métodos analíticos, así como en biorreactores de un solo uso, microbiorreactores y de reducción de escala, y tecnología de alto rendimiento, que se utilizan cada vez más en las industrias de bioprocesos.

Estos aspectos introducen oportunidades y desafíos adicionales para el monitoreo, modelado y control de procesos típicamente altamente complejos dentro de esta esfera estrictamente regulada.

Por ejemplo, los informes de las reuniones del panel de expertos de la sección de modelado, seguimiento, medición y control (M3C) de la Sociedad Europea de Ciencias de Ingeniería Bioquímica (ESBES) sobre modelado híbrido, procesamiento de cultivos celulares, microbiorreactores y sensores blandos en bioprocesos. industrias resumen el estado del arte en las respectivas áreas científicas y proponen recomendaciones para el desarrollo futuro en cada área con relevancia para el monitoreo y control en bioindustrias.

Un tema recurrente en estos informes es la necesidad de técnicas analíticas más precisas, que proporcionen mediciones confiables, oportunas y representativas de los parámetros críticos del proceso (CPP) incluso a concentraciones muy bajas de analitos y un mayor desarrollo y aplicación industrial exitosa de representaciones matemáticas de los bioprocesos.

Por lo tanto, brindaremos una descripción general de los métodos de medición que se aplican actualmente en la medición y el monitoreo de bioprocesos y luego revisa los métodos de análisis de datos multivariados utilizados para la exploración y el modelado de datos de bioprocesos con el fin de monitorear y controlar. El modelado de bioprocesos basado en la comprensión de los primeros principios de los procesos biológicos subyacentes está fuera del alcance de esta publicación, pero se remite a los lectores a varias revisiones y artículos específicos que tratan este tema para sus respectivos procesos.

Artículo completo Aquí Modelado multivariante para monitoreo y control de biorreactores