سیستم های کنترل خودکار برای مدیریت محیط زیست دقیق Bioreactor

فن آوری های سنسور پیشرفته، مانند طیفوسکوپی Raman و مدل های سنسور نرم، به طور فزاینده ای یکپارچه شده اند تا بینش عمیق تری در مورد وضعیت های متابولیک (FLT:0) (علم مستقیم از سنسورهای بیوتکنولوژی) ارائه دهند.

کنترل کننده ها: هسته تصمیم گیری-Making

کنترل کننده ها داده های سنسور را دریافت می کنند، آن را در برابر نقاط تعیین شده کاربر مقایسه می کنند و اقدامات اصلاحی محاسبه می کنند. رایج ترین روش کنترل، متناسب-integral-derivative (PID) است که خروجی را بر اساس اندازه خطا، خطا انباشته شده و نرخ تغییر خطا تنظیم می کند. - از طریق روش هایی مانند Ziegler-Nholic یا مدل های مبتنی بر انعطاف پذیری ضروری و واکنش های ضروری.

کنترل های پیشرفته تر شامل کنترل پیش بینی مدل (MPC) یا منطق فازی برای کنترل پویایی غیر خطی و تعاملات چند متغیری هستند، این ها به ویژه در سیستم های تزریق ارزشمند هستند که ورودی های چندگانه (شیر، برداشت، جریان گاز) باید به طور همزمان هماهنگ شوند.

قانون گذاران: انتقال دستورات به تغییرات فیزیکی

قانونگذاران تنظیمات تعیین شده توسط کنترل کننده را اجرا می کنند. انواع محرک های کلیدی در bioreactors عبارتند از:

نرم افزار: لایه یکپارچه

سیستم عامل های کنترل پردازش نرم افزار رابط انسان- ماشین (HMI)، خرید داده (SCADA)، و تاریخ نویسی را فراهم می کند، آنها همچنین مدیریت دستورالعمل، مدیریت هشدار و گزارش برای انطباق نظارتی (به عنوان مثال، FDA 21 CFR Part 11) را فراهم می کنند. سیستم عامل های مدرن اتصال ابر برای نظارت از راه دور و ادغام با سیستم های اجرای تولید (MES).

مزایای سیستم های کنترل خودکار

پیاده سازی اتوماسیون در مدیریت بیوتکنولوژی، مزایای ملموسی در مراحل توسعه و تولید به دست می آورد.

افزایش دقت و تکرار

سیستم های خودکار متغیرهای بحرانی را در تحمل بسیار محدود حفظ می کنند (به عنوان مثال، pH ±0.02، دما ±0.1 درجه سانتیگراد، DO ±2% از setpoint) این تکرار برای دستیابی به کیفیت محصول سازگار در دسته ها و مقیاس پذیری از آزمایشگاه به حجم تجاری بسیار مهم است.

افزایش بهره وری و کاهش کار

اتوماسیون عملیات ناخواسته را به ویژه یک شبه و در آخر هفته ها، آزاد کردن پرسنل ماهر برای تمرکز بر توسعه فرآیند و عیب یابی، کاهش در مداخلات دستی نیز خطر آلودگی را کاهش می دهد، زیرا اقدامات کمتر اپراتور در داخل مرز استریل مورد نیاز است.

جمع آوری داده های جامع و درک فرآیند

ورود به زمان واقعی ده ها پارامتر فرآیند، مجموعه داده های غنی را ایجاد می کند که از تجزیه و تحلیل داده های چند متغیر (MVDA) و مراحل نوآوری های فناوری تحلیلی (PAT) پشتیبانی می کند.این داده ها برای شناسایی همبستگی بین شرایط زیست محیطی و ویژگی های کیفیت محصول، راه را برای آزمایش انتشار واقعی و تأیید مداوم فرآیند (FLT:0 (راهنمای در PAT) ارزشمند هستند.[۳]

مقیاس پذیری و انتقال تکنولوژی

استراتژی های کنترل توسعه یافته در مقیاس کوچک زیستی می تواند به کشتی های بزرگتر با حداقل سرعت مجدد زمانی که قوانین مقیاس به خوبی درک شده است منتقل شود. سیستم های خودکار فرایند مقیاس را ساده می کنند زیرا همان منطق کنترل ( پارامترهای PID، برنامه های تغذیه، استراتژی های ترکیب گاز) می تواند در سراسر سیستم عامل ها اعمال شود، اگر شباهت های هندسی و فیزیولوژیکی حفظ شود.

چالش های در Bioreactor Automation

علی رغم مزایای آن، اجرای کنترل خودکار قوی بدون موانع نیست.

قابلیت اطمینان سنسور و کالیبراسیون

سنسورهای درون خط در معرض خطا، حرکت و سر و صدا سیگنال هستند.به عنوان مثال، نیاز به تمیز کردن منظم و تنظیم مجدد برای جلوگیری از تغییرات پایه ای دارند سنسورهای DO طولانی مدت دارند اما می توانند تحت تاثیر قرار گیرند و از طریق سنسورهای ردینگ و استراتژی های پیش بینی شده برای کاهش این مسائل کمک کنند.

پیچیدگی سیستم و ادغام

یکپارچه سازی سنسورها، کنترل کننده ها و محرک های فروشندگان مختلف می تواند منجر به درگیری پروتکل ارتباطات شود.[۵] بسیاری از بیکنان از نرم افزار اختصاصی استفاده می کنند که تبادل داده ها را با سیستم های سازمانی پیچیده می کند. اتخاذ استانداردهای باز مانند OPC UA (معماری یکپارچه) در حال بهبود قابلیت همکاری (FLT:0 (OPC Foundation) است.

مدیریت تنوع زیستی

بر خلاف فرآیندهای شیمیایی، سیستم های بیولوژیکی رفتار متغیر زمان را به دلیل رشد سلول، مصرف مواد مغذی و تولید متابولت نشان می دهند.یک کنترل کننده PID ثابت ممکن است به عنوان تغییر روند پویایی ناپایدار شود یا برنامه ریزی برای به دست آوردن جبران کند، اما آنها پیچیدگی را به طراحی کنترل اضافه می کنند.

تنظیم مقررات و اعتبار Burden

سیستم های خودکار در محیط GMP باید معتبر باشند تا اطمینان حاصل شود که آنها به درستی تحت تمام شرایط قابل پیش بینی انجام می شوند.این شامل الزامات کاربر، مشخصات عملکردی، صلاحیت طراحی، صلاحیت نصب، صلاحیت عملیاتی و صلاحیت عملکرد است.

مسیرهای آینده: AI، یادگیری ماشین و دوقلوهای دیجیتال

مرز بعدی در اتوماسیون بیوتکنولوژی شامل استفاده از هوش مصنوعی (AI) و یادگیری ماشین (ML) برای حرکت فراتر از کنترل ساده نقطه به سمت سیستم های پیش بینی و بهینه سازی خود است.

یادگیری ماشین برای پیش بینی فرآیند

مدل های ML می توانند داده های فرآیند تاریخی را برای پیش بینی وضعیت های آینده تجزیه و تحلیل کنند، مانند کاهش قریب الوقوع اکسیژن یا تجمع متابولییت، این پیش بینی ها به سیستم کنترل اجازه می دهد تا به طور فعال نرخ های تغذیه یا ترکیبات گازی را تنظیم کند، به جای واکنش بعد از انحراف، شبکه های عصبی و جنگل های تصادفی معمولا برای توسعه و تشخیص سنسور نرم استفاده می شوند.

دوقلوهای دیجیتال برای آزمایش مجازی

یک دوقلو دیجیتال یک شبیه سازی مجازی از سیستم بیکن فیزیکی است که رفتار آن را در زمان واقعی شبیه سازی می کند.با اتصال مدل های مکانیکی (بر اساس تعادل توده ای و خویشاوند) با به روز رسانی های مبتنی بر داده، دوقلوهای دیجیتال قادر به آزمایش استراتژی های کنترل، بررسی سناریوهای "چه چیز" و بهینه سازی فرایند عملکرد بدون وقفه تولید واقعی است.

عملیات Bioreactor

محققان در حال تلاش برای سیستم های بی پرده کاملاً مستقل هستند که می توانند مشکلات خود را تشخیص دهند، سنسورهای را دوباره تنظیم کنند و حتی چرخه های تمیز کردن را آغاز کنند.

مطالعات موردی: اتوماسیون در تولید بیو فارم

پیاده سازی های دنیای واقعی نشان دهنده تاثیر اتوماسیون پیشرفته است.

تولید ضد جسد Monoclonal از طریق فدرال رزرو

یک سازمان تولید قرارداد عمده (CMO) 2000 فولاد ضد زنگ را با کنترل یکپارچه PLC / DCS برای دما، pH، DO و تغذیه گلوکز ارتقا داد. با اجرای پروفایل های تغذیه مبتنی بر مدل و کنترل خودکار DO از طریق اکسیژن کم کردن، آنها به افزایش 15٪ در آنتی بادی و کاهش تنوع دسته به اندازه 40٪ سیستم نظارت خودکار، همچنین باعث بهبود زمان هشدار، به بهبود زمان واکنش هشدار، به آنها شد.

فرهنگ سلول های تزریق برای تولید Enzyme

برای یک فرآیند تزریق مداوم تولید یک آنزیم رتینوئیست، یک شرکت بیوتکنولوژی یک سیستم خودکار را به کار گرفت که یک طیف سنج Raman را با یک کنترل کننده MPC مرتبط می کند. بررسی Raman اندازه گیری گلوکز، lactate و تراکم سلول هر 5 دقیقه را انجام می دهد؛ MPC میزان جریان تزریق و میزان خونریزی را برای حفظ شرایط ثابت حالت بیش از 60 روز اجرا می کند که منجر به حذف کیفیت کار روزانه می شود، منجر به کاهش کیفیت و تغییرات دستی می شود.

نتیجه گیری

سیستم های کنترل خودکار برای دستیابی به دقت، کارایی و مقیاس پذیری مورد نیاز توسط عملیات مدرن بیکنشگر ضروری هستند، با ادغام سنسورهای قابل اعتماد، کنترل کننده های قوی، محرک های دقیق و نرم افزار هوشمند، این سیستم ها یک محیط حلقه بسته ایجاد می کنند که بسیار فراتر از قابلیت های دستی عمل می کند، در حالی که چالش هایی مانند نگهداری سنسور و پیچیدگی باقی می ماند، فن آوری های نوظهور مانند کنترل پیش بینی و دوقلوهای دیجیتال برای افزایش استقلال بیشتر، و قابلیت اطمینان از پردازش مداوم، تنها به عنوان افزایش می دهد.