Biologiniai ir cheminiai procesai yra būtini norint sukurti daugybę produktų - nuo kosmetikos ir ploviklių iki būtiniausių maisto ingredientų ir gelbėjimo vaistų. Įsivaizduokite, kad šie gamybos procesai yra efektyvesni ir protingesni, todėl bus prieinamesnis ir tvarus aukštesnės kokybės galutinių produktų gamyba. Tai yra pažangiausias „Biomanufication“ pažadas, kai pažangiausios lustų technologijos, AI ir žmonių patirtys susilieja radikaliai transformuoti gamybos metodus.
Gerinti biologinių ir cheminių procesų efektyvumą reikia tikslios kokybės ir proceso kontrolės. Tinkamų duomenų ir žinių rinkimas yra labai svarbus šiam tikslui išversti proceso įžvalgas apie veiksmingą intervenciją. Novatoriškų tyrimųJutikliai, todėl būtini tikslūs modeliavimo modeliai ir gerai apmokyti operatoriai yra būtini, teikdami vertingus įrankius siekiant pažangių „Biomanuficture“.
Tikslios terapijos iššūkiai
Apsvarstykite „Biomanufication“ iššūkius, tokius kaip žmogaus ląstelių biologinė gamyba CAR-T arba kamieninių ląstelių terapijai. Gydymo inžinerinių ląstelių procesas yra ilgas, tačiau pacientams svarbus laikas. Tai turi būti atliekama atsižvelgiant į pacientą ir apima nemažą rankos darbą, todėl jis yra brangus. Be to, gydymo efektyvumas yra tiesiogiai susijęs su galutinio produkto kokybe. Šie iššūkiai daro įtaką klinikinei svarbai, įskaitant ne taikinį ar nespecifinį poveikį.
Tradiciškai biologinio proceso kontrolė apima „neprisijungus“ stebėjimą, kai mėginiai imami iš srauto vėlesnei analizei. Tokie matavimai suteikia vertingą produkto kokybės požymį mėginių ėmimo metu ir siūlo esmines įžvalgas būsimoms spektakliams. Tačiau dėl laiko vėlavimo tarp mėginių ėmimo ir analizės jie neleidžia realiu laiku pakoreguoti vykstantį procesą. Taigi, norint pritraukti novatoriškų ląstelių terapiją į rinką, todėl vis dar reikia žymiai pagerinti jų proceso kontrolę.
Inline gamybos proceso stebėjimas galėtų suteikti žingsnį link šio būtino patobulinimo. Naudojant įterptinius jutiklius, proceso veiksmus galima stebėti ir sureguliuoti realiuoju laiku - galbūt net automatiškai. Tai ne tik sutrumpintų bendrą gamybos laiką ir sumažintų sąnaudas, bet ir sumažintų žaliavų ir energijos suvartojimą, tuo pačiu pagerinant galutinio produkto kokybę.
Miniatiūrinis inline jutiklis
Nors egzistuoja įterptiniai jutikliai, jie toli gražu nėra prekė. Pvz. Tačiau norint išmatuoti visus svarbius biologinės gamybos parametrus, reikia daugybės zondų ir neprisijungusių sistemų. Tai sukelia diegimo, kalibravimo, duomenų apdorojimo ir netgi sterilizacijos iššūkius.
IMEC tyrėjai sėkmingai miniatiūrizavo ir sujungė įvairius įterpimo jutiklius į vieną zondą. Gautas integruotas, miniatiūrizuotas ir daugiaparametrinio proceso analitinės technologijos (PAT) jutiklis gali tuo pačiu metu matuoti temperatūrą, ištirpintą deguonį, elektrinį laidumą, gliukozę, laktatą ir net ląstelių tankį realiuoju laiku, pavyzdžiui, biologiniame. Dėl to biologiniai ar cheminiai procesai gali būti atidžiau stebimi, o produkto derlius ir kokybė padidėjo.
Nuo paslaptingo modelio iki pedagogo ir bendradarbio
Nepaisant neginčijamo AI naudos, jos įgyvendinimas pramonėje išlieka ribotas, iš dalies dėl „juodosios dėžutės“ pobūdžio. Kaip sprendimas, skaidrus ir „paaiškinamas“ AI, kuris suteikia sąsają, paaiškinančią sprendimų priėmimo procesus suprantama žmonių kalba, gali sukurti pasitikėjimą žmonių operatoriais ir sustiprinti sąveiką su technologijomis.
Be to, skaidri AI gali mokyti operatorius, o ne tik juos informuoti. Paprastai reikalinga patirtis, norint suprasti ir kontroliuoti kritinio proceso veiksmus. Padedant PG, mažiau patyrusių operatorių mokymosi kreivė gali būti žymiai sutrumpinta, padidinanti jų nepriklausomybę ir efektyvumą. AI modeliai, atvirkščiai, taip pat gali mokytis iš operatorių kompetencijos.
Kitame projekte su pramonės partneriais IMEC pademonstravo tokio modelio ir jo vertės įgyvendinimą: pirma, suskaitmenindamas gamybos procesą, tada susiejant jį su AI modeliu, kad jis būtų optimizuotas ir galiausiai leistų bendrauti su operatoriais. Ekspertai sugebėjo nustatyti koreliacijas tarp matavimų ir gamybos procesų, tokių kaip temperatūra ar klampumas. Taigi jutiklio informacija galėtų būti kontekstualizuota per žmogaus žinias, atsižvelgiant į tokius veiksnius kaip darbo stažą ir istorinį tikslumą.
Tai leido AI modeliui mokytis atsižvelgiant į eksperto indėlį ir pagrindinę patirtį. Šiame projekte toks struktūruotas požiūris lėmė naujų procesų įžvalgų ir dervų („AllNex Belgy“) gamybos optimizavimą, pagerintą stabilumą ir greitesnį laiko iki rinkos audinių minkštiklius („Procter & Gamble“).
Aparatūros, žmogaus patirties ir AI panaudojimas naujovėms
Duomenų ir žinių apribojimai tradiciškai ribojo vairavimo (BIO) cheminius procesus. Tokie jutikliai, kaip proceso analitinės technologijos (PAT), optimizuoti duomenų rinkimą, o AI varomi sprendimai, palaikomi esamų žmonių patirties, skatina inovacijas žiniomis. Dėl šios pažangios aparatūros, ekspertų žinių ir AI sinergija lemia efektyvesnius procesus, sumažintas atliekas ir precedento neturinčias naujovių galimybes.
Suderindami šią patirtį, tyrimų centrai gali pabrėžti paradigmos pokytį (BIO) chemijos pramonėje, kviesdami pramonės partnerius aktyviai bendradarbiauti, kad liktų proceso optimizavimo pokyčių priešakyje.