生物反应器控制系统的开发

任何控制结构设计程序的起点都是设定过程的所需功能，即工厂运营目标。概念控制设计研究基于以下特征：

在进入过程模型的最终实施之前，各种过程控制的模拟对于生物反应器控制系统的开发也是至关重要的。为了减少对硬件的依赖性和过程模型的微调，非常有必要拥有可以开发为.NET应用程序的测试和验证软件。该软件的构建使其能够模拟细胞培养的行为，并且必须能够发送过程值，并从 PLC 接收设定点和控制值。细胞培养可以基于描述细胞密度、溶氧张力、底物浓度和许多此类参数的常微分方程。软件模拟器还必须具有图形用户界面 (GUI)，其中可以指定过程参数并根据执行期间所需的更改修改模拟行为。这样的操作将能够实现更好的工艺开发，最大限度地减少问题，并让我们在实际用于产品开发时，对与各种参数相关的权衡有一个公平的想法。

控制器设计中的权衡

现实世界的控制器设计是平衡响应速度、稳健性、干扰抑制和控制策略成本等考虑因素的练习。根据工厂中正在开发的产品的重要性，可以在任何级别的工业自动化级别或监管控制级别上进行权衡。正是在某些情况下的远见以及与数据分析相结合的密集建模方法，为工艺工程师提供了可以给予高优先级或低优先级的参数的定义权重。在工艺开发过程中，很多时候需要对模型结构进行调整和更改，以验证模型，以便在工艺开发中进一步使用。因此，全面了解各种类型的生物过程模型对于开发健全的过程模型至关重要。

模型结构的识别和开发

建模给出了关于过程的基本概念，尤其是在非线性过程的情况下，其中，建模参数可能会、也可能不会对过程起作用，因为过程变量的可用性很差，无法制定必要的公式，或者如果是在工业水平的情况下，存在工厂模型不匹配的可能性。另一方面，适用的过程知识远少于创建基于质量平衡的机械模型所需的知识。而且，数据量远远大于识别机械模型所需的数据量。应该注意的是，较少的经验数据可能足以确定一个准确的模型，这表明过程以最佳效率运行时，并不总是需要更多的数据。

下图是一个完整的流程图，显示了所有的模型架构，其已经描述得非常清楚。已经有文献都显示了广义上的模型结构分类，并且已经证明了更明确的分类，其中一种分类基于生物工艺成长建模，另一种分类基于非线性（数学）模型分类。然而，在此图中，已尝试将所有模型分类汇总在一个称为生物过程建模的伞下，如图 1 所示。

图1. 所有不同类型生物工艺模型的详细分类

广泛使用的非结构化模型无法解释由于环境变化而导致的生物质组成的变化。由于LabVIEW等软件代码简单且易于用于模拟，基于模型的控制器可以利用非结构化模型快速构建，并且可以在线实施到软件中，为操作员提供与生物反应器平台通信的接口。这些类型的模型以仅在生长条件平衡时提供准确表示而广为人知。因此，使用这些模型构建的控制器可能在它们无法正确表示的特定代谢情况下工作不佳，从而由于缺乏内在代谢信息而不利。结构化模型可以提供有关动态代谢条件和微生物生物量组成的更好信息。模型根据它们代表不同表型的详细程度以及内部成分或细胞“结构”的表征进一步分类。

非分离模型将微生物培养视为同质或基于种群的，而分离模型将细胞视为不同的实体或单个细胞，并允许将它们分类为目标组。结构化和分离模型的外推能力优于非结构化模型。因此，使用这些模型创建的控制器可描述系统对干扰的可预测响应。添加额外的细胞数据的缺点是参数估计和将该功能同化到控制器中变得很困难，虽然也不是不可能。因此，人们必须在应用的简单性和解决与所考虑问题相关的特定情况所需的最低复杂性之间做出选择。

在线传感器的开发和测量

关于不断变化的过程动态，行业已经意识到需要对过程进行实时监测，其中，测量的参数在过程进行时被即时处理。尽管随着智能传感器和执行器的出现，传感器技术有了很大的改进，但对离线分析的需求并没有完全消除。即使在运行连续或灌流培养工艺的成熟公司中，离线检测也是通常称为过程中质量控制 (IPQC)的必要部分。

虽然实时传感器确实具有实时处理和分析信息的能力，但由于传感器数据错误，存在发生过程偏差/事件的危险。某些传感器具有警报功能，可在过程开始发生任何事故之前向系统提供预警。对于行业而言，在进行基于 CMO/CDMO 的工艺时，通常会发生这样的情况，即对于特定工艺，执行生产过程的公司会控制第三方公司的系统，以确保不存在工艺可变性的可能性。例如，关闭某些传感器的警报系统，如pH探针或流量传感器，以确保在某些情况下，在工艺运行之前预先确定洗脱产物的平稳进行而没有任何不必要的中断。

除了一次性生物反应器外，Finesse等多家公司还开发了一次性传感器。他们制造了一系列光学传感器(TruFluor)，其使用完全一次性的元件（预编程的 RFID 标签），该类元件从制造时就已插入并与一次性容器一起消毒，确保不破坏无菌屏障。所有一次性元件均确保耐受伽马辐照，并且所有接液材料均已根据 USP VI 级标准进行测试，或已被验证符合 ISO 10993 标准。此外，它们可以预先校准，并且可以设置为启用电子数据可追溯性。

系统识别

系统识别可以定义为一个过程，该过程涉及由输入变量引起的扰动，然后检索系统的输出变量数据，从而确定模型。使用输入-输出数据，使用适当的方法来查找参数模型中的未知参数。然后根据实验数据和系统的适应度测试模型。

在启动过程或将任何新的变化引入系统之前，彻底的系统识别是必不可少的，工艺工程师应该了解系统配置和系统的输入-输出特性。在开始运行之前，必须对系统的上限和下限进行重要了解，以预测任何问题。要操作系统，首先必须确定输入和输出变量之间的关系，并构建系统模型。在对系统进行建模时，结合来自实验研究或质-能平衡的输入-输出数据是可行的。然而，在复杂系统中，通过使用质-能平衡，很难构建模型，并且在某些情况下，这些平衡可能与适当定义系统不一致。在这种情况下，使用来自实验输入/输出数据的系统识别方法创建模型变得更加有用。

优化策略

优化标准是根据生物过程模型或为过程开发的建模方程设置的，其中过程模型在提出的模型类型方面起着重要作用，可以是结构化的或非结构化的。确定代谢产物的最佳操作策略是困难的。各种代谢产物、生物过程的复杂性、控制变量的数量以及系统的模糊性导致开发最佳操作技术即使确实会增加总利润，但这并不总是或必然是有利的选择。发生这种情况是因为了解代谢特征和途径的知识仍然不是很清楚，因此仅在某些情况下、在经济方面可能是有利的，但并非对所有人都有利。行业已经研究了几种操作模式，例如批次、补料分批和恒化器，以实现有效的生物反应器操作，其中一些在行业中得到了广泛使用。基于 MCA 和 FBA 的方法构成了某些生物反应器系统优化的基本框架。MCA 通常用于处于稳定状态的代谢途径。可以使用 MCA 确定各种通量和浓度的控制分布。这些知识有助于控制代谢通量，这是代谢工程领域的主要目标之一。任何系统都必须以反应网络的形式表达，以应用 MCA。以这种方式描述系统后，MCA 可用于计算系统的梯度信息，该信息在质量上等同于通量和浓度控制系数。MCA 方法是根据控制和响应系数研究系统行为的一种极好的机制。有关系统交互的信息隐含在这些系数中。事实上，系统行为可以简单地通过子过程和所有参数确定在集成的基础上进行检查。

代谢途径及其涉及调整某些酶和底物的各种研究提供了所需的输出，包括代谢物过度生产、网络刚性、通量平衡分析、代谢通量分析等等。研究人员只专注于酶扩增或产物途径中几种中间酶的变化，以增加代谢物的过度生产。另一方面，许多代谢物的过度生产需要对初级代谢中的通量分布定向进行重大重定向，这在产品下调后可能不容易实现，因为代谢途径已经进化为具有抵抗分支点通量变化的控制结构。代谢刚度的想法，包括在实验框架内定位和删除刚性分支点的方法，可用于设计具有更大工艺灵活性的更好菌株。

本文节选、翻译自以下文章，由于水平有限，详细内容，请参考原文。文章旨在知识分享，如有任何问题，请联系处理。

原文：S.Mitra, G.S.Murthy, Bioreactor control systems in the biopharmaceutical industry: acritical perspective. Systems Microbiology and Biomanufacturing, 2022,2:91-112.