فرآیندهای بیولوژیکی و شیمیایی برای ایجاد طیف گسترده ای از محصولات - از مواد آرایشی و مواد شوینده گرفته تا مواد ضروری مواد غذایی و داروهای صرفه جویی در زندگی ضروری است. تصور کنید که این فرایندهای تولید کارآمدتر و باهوش تر هستند و در نتیجه تولید مقرون به صرفه تر و پایدار محصولات نهایی با کیفیت بالاتر به وجود می آیند. این نوید تولید بیومومن پیشرفته است ، جایی که فناوری تراشه برش ، هوش مصنوعی و تخصص انسانی برای تبدیل روشهای تولید به طور بنیادی همگرا می شوند.
بهبود کارآیی فرآیندهای بیولوژیکی و شیمیایی نیاز به کیفیت دقیق و کنترل فرآیند دارد. جمع آوری داده ها و دانش مناسب در این تلاش برای ترجمه بینش فرآیند به مداخلات مؤثر بسیار مهم است. تحقیق در مورد نوآورانهحسگر، از این رو مدل های شبیه سازی دقیق و اپراتورهای آموزش دیده ضروری است ، و ابزارهای ارزشمندی را در جستجوی تولید بیومومن پیشرفته ارائه می دهد.
چالش های دقیق درمانی
چالش های مربوط به تولید بیولوژیکی مانند تولید بیولوژیکی سلولهای انسانی برای CAR-T یا سلولهای بنیادی را در نظر بگیرید. روند سلولهای مهندسی برای درمان طولانی است اما برای بیماران بسیار مهم است. این کار باید بر اساس هر بیمار انجام شود و شامل مقدار قابل توجهی از کار دستی باشد و آن را پرهزینه کند. علاوه بر این ، اثربخشی درمان به طور مستقیم با کیفیت محصول نهایی مرتبط است. این چالش ها بر اهمیت بالینی ، از جمله اثرات خارج از هدف یا غیر اختصاصی تأثیر می گذارد.
به طور سنتی ، کنترل فرآیند بیولوژیکی شامل نظارت "آفلاین" است ، جایی که نمونه ها از جریان برای تجزیه و تحلیل بعدی گرفته می شوند. چنین اندازه گیری ها نشانگر ارزشمندی از کیفیت محصول در زمان نمونه برداری و ارائه بینش های اساسی برای تولیدات آینده است. با این حال ، به دلیل تأخیر زمانی بین نمونه گیری و تجزیه و تحلیل ، آنها امکان تنظیم زمان واقعی به روند مداوم را ندارند. بنابراین ، آوردن روشهای درمانی نوآورانه به بازار ، بنابراین ، هنوز هم نیاز به بهبود قابل توجهی در کنترل فرآیند آنها دارد.
نظارت بر فرآیند تولید درون خطی می تواند گامی در جهت پیشرفت لازم باشد. با سنسورهای درون خطی ، مراحل فرآیند را می توان در زمان واقعی کنترل و تنظیم کرد - احتمالاً حتی به طور خودکار. این امر نه تنها زمان کل تولید را کوتاه می کند و هزینه ها را کاهش می دهد بلکه باعث کاهش مصرف مواد اولیه و انرژی ضمن بهبود کیفیت محصول نهایی می شود.
سنسور درون خطی مینیاتور
در حالی که سنسورهای درون خطی وجود دارند ، آنها به دور از کالا بودن نیستند. به عنوان مثال ، پروب برای نظارت بر خطی ، مانند موارد مربوط به pH و دما در بیوراکتور ، بیش از 40 سال وجود داشته است. با این حال ، برای اندازه گیری تمام پارامترهای مربوطه برای تولید بیولوژیکی ، بسیاری از پروب ها و سیستم های آفلاین مورد نیاز است. این امر باعث نصب ، کالیبراسیون ، پردازش داده ها و حتی چالش های عقیم سازی می شود.
محققان IMEC سنسورهای مختلف درون خطی را با موفقیت مینیاتور و ترکیب کرده اند. سنسور فرایند تحلیلی فرآیند یکپارچه ، مینیاتوریزه و چند پارامتری (PAT) می تواند به طور همزمان دما ، اکسیژن محلول ، هدایت الکتریکی ، گلوکز ، لاکتات و حتی تراکم سلولی را در زمان واقعی اندازه گیری کند ، به عنوان مثال یک بیوراکتور. در نتیجه ، فرآیندهای بیولوژیکی یا شیمیایی را می توان از نزدیک کنترل کرد و بازده محصول و کیفیت افزایش یافت.
از مدل مرموز گرفته تا مربی و همکار
با وجود مزایای غیرقابل انکار هوش مصنوعی ، اجرای آن در صنعت محدود است ، تا حدودی به دلیل ماهیت "جعبه سیاه" آن. به عنوان یک راه حل ، هوش مصنوعی شفاف و "قابل توضیح" ، که رابط کاربری را توضیح می دهد که فرآیندهای تصمیم گیری را در زبان انسانی قابل درک توضیح می دهد ، می تواند اعتماد را در بین اپراتورهای انسانی ایجاد کرده و تعامل با فناوری را تقویت کند.
علاوه بر این ، هوش مصنوعی شفاف می تواند به طور بالقوه به اپراتورها آموزش دهد ، نه فقط آنها را به آنها اطلاع دهید. سالها تجربه به طور معمول برای درک و کنترل مراحل فرآیند مهم مورد نیاز است. با کمک هوش مصنوعی ، منحنی یادگیری برای اپراتورهای با تجربه کمتر می تواند به طور قابل توجهی کوتاه شود و استقلال و اثربخشی آنها را افزایش می دهد. در مقابل ، مدل های هوش مصنوعی همچنین می توانند از تخصص اپراتورها بیاموزند.
در پروژه دیگری با شرکای صنعت ، IMEC اجرای چنین مدلی و ارزش آن را نشان داد: ابتدا با دیجیتالی کردن فرایند تولید ، سپس پیوند دادن آن به یک مدل AI برای بهینه سازی آن و در نهایت اجازه تعامل با اپراتورها. کارشناسان قادر به شناسایی همبستگی بین اندازه گیری ها و فرآیندهای تولید مانند دما یا ویسکوزیته بودند. بنابراین ، اطلاعات حسگر می تواند از طریق دانش بشری با توجه به عواملی مانند ارشد و دقت تاریخی ، از طریق دانش بشری متناسب باشد.
این امر به مدل هوش مصنوعی اجازه می دهد تا بر اساس ورودی و تجربه اساسی متخصص یاد بگیرد. در این پروژه ، چنین رویکرد ساختاری منجر به بینش فرآیند جدید و بهینه سازی تولید رزین ها (Allnex بلژیک) ، بهبود ثبات و نرم کننده های پارچه ای به بازار سریعتر (Procter & Gamble) شد.
استفاده از سخت افزار ، تخصص انسانی و هوش مصنوعی برای نوآوری
محدودیت های داده و دانش به طور سنتی فرآیندهای شیمیایی فرمان (BIO) را محدود کرده اند. سنسورهایی مانند فناوری تحلیلی فرآیند (PAT) جمع آوری داده ها را بهینه می کنند ، در حالی که راه حل های محور AI ، با پشتیبانی از تخصص انسانی موجود ، نوآوری در دانش را هدایت می کنند. هم افزایی بین این سخت افزار پیشرفته ، دانش تخصصی و هوش مصنوعی منجر به فرآیندهای کارآمدتر ، کاهش زباله و فرصت های بی سابقه برای نوآوری می شود.
با جمع کردن این تخصص ، مراکز تحقیقاتی می توانند یک تغییر پارادایم در صنعت شیمیایی (بیوگرافی) را تأکید کنند و از شرکای صنعت دعوت می کنند تا به طور فعال همکاری کنند تا در خط مقدم تحولات بهینه سازی فرآیند بمانند.