Gestionar las operaciones de cultivo celular durante los experimentos con biorreactores es complejo y requiere ajustes constantes. La coordinación con los procesos posteriores de purificación y análisis añade complejidad, y la falta de coordinación genera ineficiencia y retrasos. Estos desafíos se intensifican durante la transferencia de tecnología, donde las diferencias de escala, equipo y operación introducen incertidumbre adicional.
Para mitigar estos desafíos, hemos desarrollado un "gemelo digital de cultivo celular" que predice resultados clave a partir de datos continuos del biorreactor, lo que permite tomar decisiones proactivas y lograr una alineación interfuncional en tiempo real.
Nuestros modelos predictivos capturan la dinámica del proceso del biorreactor y se desarrollaron a través de tres pasos principales: (i) establecer una base de datos utilizando ~2000 ejecuciones de biorreactor estructuradas y con control de calidad del sistema de gestión de datos científicos Mimer, desarrollado internamente por Symphogen; (ii) construir modelos predictivos para resultados clave en JMP Pro, lo que implica la imputación de datos faltantes mediante ajuste no lineal y la construcción de modelos basados en Functional Data Explorer (FDE) y mínimos cuadrados parciales (PLS); y (iii) aplicar los modelos predictivos resultantes a datos experimentales en curso dentro de una aplicación Databricks basada en Python, lo que hace que las predicciones de cultivo celular estén disponibles de inmediato para todos los usuarios.
Los gemelos digitales proporcionan información predictiva que alinea a los equipos, optimiza las operaciones y reduce los riesgos de la transferencia de tecnología, lo que justifica su implementación a mayor escala en todos los departamentos.
