跳到正文
Pharma Manufacturing· Andy Lundin·AI 评分45

Axio BioPharma 报告《AI in Biomanufacturing: The 2026–2029 Outlook》:数据碎片化与系统互操作性不足拖慢生物制药 AI 规模化

Fragmented biopharma data continues to slow AI adoption

AI 导读

Axio BioPharma 发布报告《AI in Biomanufacturing: The 2026–2029 Outlook》,指出数据碎片化、生产系统间互操作性有限和数字化成熟度不均,正阻碍 AI 在生物制品制造中规模化。

正文 · AI 翻译

尽管人工智能(AI)正在为生物制药生产带来新的机遇,但制造数据的管理和共享方式所面临的挑战,正在制约该行业规模化应用这些技术的能力。

Axio BioPharma 的一份新报告,生物制造中的人工智能:2026–2029 年展望,审视了行业对 AI 日益增长的兴趣与其将这些技术整合到生物制品生产中的能力之间的差距。尽管 AI 在生命科学领域的采用已经加速,但该报告强调,数据碎片化、生产系统之间互操作性有限以及数字化成熟度不均衡,是更广泛实施的障碍。

“我们启动这份报告时,真的很想探讨一个我们认为相当简单的问题:为什么我们看到围绕 AI 有这么多兴奋,但在生物制造领域,我们并没有真正看到它以那么快的速度规模化,”Axio BioPharma 创始人兼首席执行官 Justin Byers 说。

该报告指出,生物制品生产的“多方”性质,尤其是申办方与合同开发和生产组织(CDMO)之间的关系,是造成这种脱节的一个因素。

“当制药公司努力将其药物推向市场时,他们会使用一个相当庞大的生产商、检测机构网络,这意味着他们的数据分散在该网络中,并变得碎片化,”Byers 说。“你有不同的系统、不同的场所、不同的组织,而在所有这些之中,相同的信息、相同的工艺参数,可能会以如此多不同的方式被定义或命名,仅仅取决于你所在的是哪个组织。”

生产商的数字化成熟度是实施 AI 时的一项重要考量。Byers 说,设施可能仍然依赖纸质和电子记录的组合,以及不同的数据标记和组织方式。

“即使你拥有世界上最好的 AI 工具,如果你的数据没有以能够让你反复实际使用的方式清理好,那么你的工具有多好其实并不重要,”他说。

AI 的数据基础

Byers 强调,生产商在决定如何将 AI 嵌入其流程之前,应首先评估其现有数据基础设施的状况。

他说,这并不一定意味着扩大数据库规模,或确定“你能把多少个不同场所纳入一个单一的大型数据湖”。相反,数据需要包含足够的上下文,才能被一致地理解和比较。

作为例子,他提到了 pH 和电导率测量。生产商需要保留关键信息,包括测量在工艺中来自何处、涉及哪些设备,以及为何、何时进行测量。当跨生产规模或设施比较信息时,这种上下文变得越来越重要。

“当你开始从实际生产本身的角度来思考问题,比如原料药的小规模纯化与大规模商业化生产之间的对比,很快就会有大量复杂因素涌入其中,”Byers 补充道。“这些信息必须对任何人都非常容易、非常简单地获取,这样当你进行导出并希望进行同类对比时,每次都能以相同的方式完成。”

根据 Axio 的报告,生物制品生产在本质上具有“内在多方参与”的特性,这使挑战更加复杂。参与一个项目的申办方、CDMO 和检测合作伙伴可能各自使用不同的系统和术语来管理工艺信息。

Byers 认为,这些差异在技术转移期间尤为明显,此时生产信息必须从开发阶段转移到临床生产,并最终转移到商业化生产。

“这些组织中的每一个都有自己的数据语言,”Byers 说。“在共享信息方面,我们中没有一个可以说拥有相同的语言,或者至少不是相同的方言。”

Byers 补充说,因此可能需要一名联络人来手动在申办方与其生产合作伙伴之间“翻译”信息,以确保信息得到一致的解释。数据交换中的任何错误都可能对生产造成严重后果。

“目前,这种信息的转移正是可能导致工程批次、临床批次——你希望将其推进到一期或二期——完全失败的原因,”Byers 表示。“你必须回去重新生产,因为在不同语言之间来回交换数据时出现了误解、转录错误或翻译错误。”

该报告提出了一种联邦式的数据集成方法,在这种方法中,敏感信息仍由各个组织自行控制,而标准化的数据工件和模型则在共同治理下进行交换。

将 AI 雄心与生产就绪程度相匹配

随着生产商探索更先进的应用(如数字孪生),与数据碎片化相关的挑战变得尤为突出。

报告发现,当前 AI 部署仍集中在某些领域,包括工艺开发分析、监测和咨询应用,而数字孪生和先进过程控制在很大程度上仍处于试点阶段。

Byers 表示,专注于单个单元操作的数字孪生提供了更实际的起点,而不是用于模拟整个生物制品生产过程。他对在生产商建立起连接不同操作、场地和组织之间数据所需的基础设施之前,能否开发出全面的生物制造数字孪生表示怀疑。

“我认为,我们必须首先让这些个性化的——或者说较小的——数字孪生运行得非常好,然后才能开始将它们拼接成一个模拟整个生产过程的孪生,”Byers 说。

报告预计,关键单元操作的数字孪生将越来越多地被纳入新建和升级设施的设计与运营中,尤其是在先进的 CDMO 中。

为帮助制造商判断其现有基础设施能否支持更先进的 AI 应用,Axio BioPharma 开发了生物制造 AI 成熟度指数(BAMI),这是一个用于评估 AI 就绪度的六级框架。

该框架同时考量生产运营的数字化成熟度,以及跨组织边界整合数据与 AI 能力的能力。其目的是帮助制造商在追求更先进的 AI 应用之前,识别其基础设施和治理方面的差距。

GMP 生产中的 AI 治理

除了数据碎片化和系统间互操作性有限之外,报告还指出了治理成熟度方面的差距——这是生物制品生产中规模化应用 AI 的另一个潜在障碍。

据 Axio BioPharma 称,许多组织“在治理尚未成熟时就实施 AI,当模型影响受监管决策时,会面临不合规或返工的风险。”

Byers 最初预计监管机构会抵制在 GMP 生产中使用 AI。但他发现,监管机构对这些技术如何改进工艺持开放态度,但强调在实施技术的同时,仍要继续满足既定的期望。

“人们只是期望我们以合理的方式使用它,并确保一直以来都成立的事情依然成立——我们有验证、有变更控制、有数据完整性,归根结底,这些工具背后的人仍然有责任以适当的方式应用它们,”Byers 说。

展望未来,他预计 AI 将日益融入生物制品生产,但表示采用将是渐进的,并取决于制造商的就绪程度。

“我完全预计我们会看到 AI 和 AI 工具被应用到流程的几乎每一个环节,”Byers 总结道。“这将是一个渐进的变化。我不认为这会一夜之间发生。它将取决于我们所拥有的成熟度水平,以及我们数据基础的稳固程度。不仅是我们自己内部的数据,还有我们所有不同合作伙伴之间的数据,以及这些连接的牢固程度。”

来源:Pharma Manufacturing · pharmamanufacturing.com