Procesy biologiczne i chemiczne są niezbędne do tworzenia szerokiej gamy produktów - od kosmetyków i detergentów po niezbędne składniki żywności i farmaceutyki ratujące życie. Wyobraź sobie, że te procesy produkcyjne są bardziej wydajne i mądrzejsze, co powoduje bardziej przystępną i zrównoważoną produkcję produktów końcowych wyższej jakości. Jest to obietnica zaawansowanego produkcji biania, w której najnowocześniejsza technologia chipów, AI i ekspertyzacja ludzka zbiegają się w celu radykalnego przekształcania metod produkcji.
Poprawa wydajności procesów biologicznych i chemicznych wymaga precyzyjnej jakości i kontroli procesu. Zebranie właściwych danych i wiedzy ma kluczowe znaczenie w tym staraniu się przełożyć wgląd procesowy na skuteczne interwencje. Badania nad innowacyjnymiczujnikiDlatego dokładne modele symulacyjne i dobrze wyszkolone operatorzy są konieczne, zapewniając cenne narzędzia w dążeniu do zaawansowanego produkcji biani.
Wyzwania w terapii precyzyjnej
Rozważ wyzwania związane z produkowaniem biomanicznym, takie jak biologiczna produkcja ludzkich komórek do terapii CAR-T lub komórek macierzystych. Proces komórek inżynieryjnych do terapii jest długi, ale krytyczny w czasie u pacjentów. Musi to być wykonywane według pacjentów i wiąże się z znaczną siłą roboczą, co czyni ją kosztowną. Ponadto skuteczność leczenia jest bezpośrednio związana z jakością produktu końcowego. Wyzwania te wpływają na znaczenie kliniczne, w tym efekty poza celami lub niespecyficzne.
Tradycyjnie biologiczna kontrola procesu obejmuje monitorowanie „offline”, w którym próbki są pobierane z przepływu do późniejszej analizy. Takie pomiary stanowią cenne wskazanie jakości produktu w momencie pobierania próbek i oferują kluczowe informacje na temat przyszłych produkcji. Jednak ze względu na opóźnienie czasowe między pobieraniem próbek a analizą nie pozwalają one na dostosowanie w czasie rzeczywistym do trwającego procesu. Dlatego wprowadzanie innowacyjnych terapii komórkowych na rynku przystępnych jest w przystępnej cenie, nadal wymaga znacznej poprawy kontroli procesu.
Monitorowanie procesów produkcyjnych może stanowić krok w kierunku tej niezbędnej poprawy. W przypadku czujników wbudowanych etapów procesu można monitorować i regulować w czasie rzeczywistym - być może nawet automatycznie. Nie tylko skróciłoby to całkowity czas produkcji i zmniejszyłby koszty, ale także zmniejszyłoby zużycie surowców i energii, jednocześnie poprawiając jakość produktu końcowego.
Zminiaturyzowany czujnik inline
Chociaż istnieją czujniki wbudowane, nie są one towarem. Na przykład sondy do monitorowania wbudowanego, takie jak pH i temperatury w bioreaktorze, istnieją od ponad 40 lat. Jednak aby zmierzyć wszystkie istotne parametry produkcji biologicznej, potrzebna jest wiele sond i systemów offline. Powoduje to instalację, kalibrację, przetwarzanie danych, a nawet wyzwania sterylizacji.
Naukowcy IMEC z powodzeniem zminiaturyzowali i połączyli różne czujniki wbudowane w jedną sondę. Powstały zintegrowany, zminiaturyzowany i wieloparametryczny czujnik technologii analitycznej procesu (PAT) może jednocześnie mierzyć temperaturę, rozpuszczony tlen, przewodność elektryczna, glukoza, mleczan, a nawet gęstość komórek w czasie rzeczywistym w, na przykład bioreaktor. W rezultacie procesy biologiczne lub chemiczne mogą być bliżej monitorowane, a plony produktów i jakość wzrosły.
Od tajemniczego modelu po pedagog i współpracownik
Pomimo niezaprzeczalnych korzyści sztucznej inteligencji, jej wdrożenie w branży pozostaje ograniczone, częściowo ze względu na naturę „czarnej skrzynki”. Jako rozwiązanie, przejrzysta i „wyjaśniająca” sztuczna inteligencja, która zapewnia interfejs wyjaśniający procesy decyzyjne w zrozumiałym języku ludzkim, może budować zaufanie wśród ludzkich operatorów i zwiększyć interakcję z technologią.
Ponadto przezroczystość AI może potencjalnie edukować operatorów, a nie tylko ich informować. Lata doświadczenia są zazwyczaj potrzebne do zrozumienia i kontrolowania krytycznych etapów procesu. Dzięki pomocy AI krzywa uczenia się dla mniej doświadczonych operatorów można znacznie skrócić, zwiększając ich niezależność i skuteczność. I odwrotnie, modele AI mogą również uczyć się na podstawie wiedzy operatorów.
W innym projekcie z partnerami branżowymi IMEC wykazał wdrożenie takiego modelu i jego wartość: po pierwsze, poprzez digitalizację procesu produkcyjnego, a następnie łączenie go z modelem AI w celu jego optymalizacji i ostatecznie umożliwiając interakcję z operatorami. Eksperci byli w stanie zidentyfikować korelacje między pomiarami a procesami produkcyjnymi, takimi jak temperatura lub lepkość. Informacje o czujniku można zatem kontekstualizować poprzez ludzką wiedzę, biorąc pod uwagę czynniki takie jak staż pracy i dokładność historyczna.
Umożliwiło to model AI na podstawie wkładu eksperta i doświadczenia podstawowego. W tym projekcie takie ustrukturyzowane podejście spowodowało nowe wgląd w proces i optymalizację produkcji żywic (Allnex Belgia), lepszej stabilności i szybszych zmiękczających tkaninę na rynku (Procter & Gamble).
Wykorzystanie sprzętu, ludzkiej wiedzy i sztucznej inteligencji do innowacji
Ograniczenia danych i wiedzy mają tradycyjnie ograniczone procesy chemiczne (bio). Czujniki takie jak technologia analityczna Process (PAT) optymalizują gromadzenie danych, podczas gdy rozwiązania oparte na AI, wspierane przez istniejącą wiedzę ludzką, napędzają innowacje w wiedzy. Synergia między tym zaawansowanym sprzętem, wiedzą ekspercką i sztuczną inteligencją powoduje bardziej wydajne procesy, zmniejszyło odpady i niespotykane możliwości innowacji.
Łącząc tę wiedzę, centra badawcze mogą podkreślić zmianę paradygmatu w branży chemicznej (bio), zachęcając partnerów branżowych do aktywnej współpracy, aby pozostać na czele rozwoju optymalizacji procesów.