在生物反应器实验中管理细胞培养操作极具挑战性，需要不断调整。与下游纯化和分析环节的协调增加了复杂性，任何不协调都会导致效率低下和延误。在技术转移过程中，规模、设备和操作方面的差异会加剧这些挑战，带来更多不确定性。
为了应对这些挑战，我们开发了一种“细胞培养数字孪生”，它能够根据正在进行的生物反应器数据预测关键结果，从而实现主动决策和实时跨职能协调。
我们的预测模型捕捉了生物反应器过程的动态，其开发主要分为三个步骤：（i）利用 Symphogen 内部开发的科学数据管理系统 Mimer 中约 2000 个结构化且经过质量检查的生物反应器运行数据建立数据基础；（ii）在 JMP Pro 中构建关键结果的预测模型，包括使用非线性拟合对缺失数据进行插补，以及基于函数数据浏览器 (FDE) 和偏最小二乘法 (PLS) 构建模型；（iii）将生成的预测模型应用于基于 Python 的 Databricks 应用程序中的正在进行的实验数据，从而使所有用户都能立即获得细胞培养预测结果。
数字孪生技术能够提供预测性洞察，从而协调团队、简化运营并降低技术转移风险，因此，在各部门更广泛地推广应用该技术具有充分的理由。
