跳到正文
BioProcess International · 工艺与质量· Bhasker Sambar·AI 评分61

设备级数字孪生在生物工艺中的应用:上游、下游、灌装与生命周期控制实用模型

Equipment-Level Digital Twins for Bioprocessing: Practical Models for Upstream, Downstream, Fill–Finish, and Life-Cycle Controls

AI 导读

一篇面向生物工艺团队的文章按单元操作说明设备级数字孪生的模型选择、验证与生命周期控制方法。文章建议从单一单元操作的小范围试点起步,例如生物反应器批轨迹预测、层析汇集支持、TFF 终点预测或灌装体积漂移检测。验证与治理深度按预期用途和风险确定,文中援引 FDA 与 ICH 相关指南及 GAMP 5 框架。

正文 · AI 翻译

生物制药生产依赖于复杂的生物和分离工艺,这些工艺必须在严格的质量预期下保持一致运行。然而,传统控制手段可能并不总能揭示早期的轨迹漂移、预测培养或过滤步骤何时达到终点、警告层析柱正在接近突破限值,或显示设备行为何时与历史批次存在差异。一位工艺开发与CMC科学家探讨了设备级数字孪生如何帮助生物制药生产商提升工艺理解、批次轨迹监测、终点预测等能力。

日程21分钟阅读

24-9-Sambar-P1

https://stock.adobe.com

生物制药生产依赖于复杂的生物和分离工艺,这些工艺必须在严格的质量预期下保持一致运行。上游操作如种子扩增、补料分批细胞培养、灌流培养和微生物发酵会影响产品效价、杂质负荷、糖基化、电荷变异体、聚集风险和收获时机。下游操作如捕获和精制层析、病毒灭活和过滤,以及超滤/渗滤(UF/DF)会影响收率、纯度、杂质清除、浓度、缓冲液置换和工艺稳健性。制剂灌装操作则引入了无菌生产预期、生产线性能要求和容器-密封件考量。

传统生物工艺控制仍然至关重要。配方、设定点、报警限值、批记录、过程检测、实验室分析、预防性维护、偏差系统和工艺验证无法被模型取代。然而,传统控制手段可能并不总能揭示早期的轨迹漂移、预测培养或过滤步骤何时达到终点、警告层析柱正在接近突破限值,或显示设备行为何时与历史批次数据中记录的存在差异。数字孪生增加了一个基于模型的层面,利用当前或近期工艺数据来改进解读、预测、诊断和决策支持(1–6)。

相关:利用实时多角度光散射监测和控制腺病毒工艺

示例直接而实用。生物反应器孪生可以预测活细胞密度(VCD)、葡萄糖需求、乳酸积累、氧摄取或收获时机。层析孪生可以预测突破、收集窗口、杂质清除或树脂老化效应。切向流过滤(TFF)孪生可以检测通量下降、污染、浓缩终点或DF完成。制剂灌装孪生可以监测灌装体积漂移、胶塞或密封趋势、剔除模式或设备相关中断。此类应用支持工艺理解、质量风险管理、运营效率和持续工艺确认(7–10)。

数字孪生并非要取代工艺科学家、操作人员、工程师和质量体系,而是旨在提高当前工艺状态的可见性,并在下一个样品、报警或偏差发生之前预测可能的行为。我们可能会认为,广泛的企业级项目是数字孪生最有用的早期实施方式。但在实践中,最好的早期用例是聚焦于单元操作的试点项目,能够可靠地回答一个高价值问题。

什么是设备级生物工艺数字孪生?

一个设备级生物工艺数字孪生是特定单元操作或设备的互联模型。它可以代表搅拌罐生物反应器、灌流生物反应器、微生物发酵罐、层析撬、TFF系统、病毒过滤装置、一次性混合系统、冻干机或灌装线。该孪生体从物理操作接收数据,应用模型,并产生输出,如预测终点、偏差警告、推荐操作窗口、工艺健康评分或维护警报。

数字孪生与普通模型的关键区别在于与运行数据的连接。离线模拟可在工艺开发期间用于探索情景。仪表板可显示当前值。然而,数字孪生将数据与模型连接起来,使显示的信息反映实际工艺状态,并能够支持预测或诊断(表1)。图1描绘了数字孪生内部信息的一般流程。

工具

目的

描述

仪表板

显示数据

显示pH、溶解氧、压力、紫外吸光度、流速、活细胞密度和灌装重量的值;不一定预测行为

离线模拟

研究情景

运行模型以研究在选定条件下可能发生的情况;可能不连接常规运行数据

数字模型

表征行为

表征工艺、单元操作或设备的行为;可能是静态的或仅定期更新

数字孪生

镜像并预测工艺行为

将情境化的运行数据与模型连接,使用户能够监测、预测、诊断并推荐行动

表1:仪表板、模拟、数字模型和数字孪生之间的实际区别

24-9-Sambar-F1.png

图1:数字孪生基本信息流;PAT = 过程分析技术

数字孪生架构:五个构建模块

一个有用的设备级数字孪生通常有五个构建模块:物理工艺、数据层、模型层、集成/控制层和应用层(表2)。这些模块在开始时不需要很复杂。许多成功的实施始于一个单元操作、少量可靠信号以及一个支持一项既定决策的模型。

层

包含内容

生物工艺示例

为何重要

物理层

设备、传感器、执行器、一次性组件、撬和PAT探头

补料分批生物反应器,具有pH、DO、温度、气体流量、尾气、补料泵、电容和拉曼信号

提供真实世界的信号,使数字孪生与工艺保持连接

数据

数据采集、历史数据库标签、语境化、批次对齐、校准状态和存储

与批次标识、生产周期、细胞系、培养基批次和仪器状态关联的历史数据库和 LIMS 数据

将原始信号和延迟的实验室结果转化为可追溯的信息

模型

机理模型、机器学习模型、统计模型或混合模型

生长和代谢物模型与拉曼软传感器及异常检测相结合

将数据转化为状态估计、预测或建议

集成/控制

与 PLC、DCS、SCADA、MES、LIMS、EBR 和 MPC 接口

只读 OPC–UA 连接用于早期决策支持;如有充分依据,后续与监督控制集成

允许数字孪生与工厂系统之间进行受控通信

应用

仪表板、警报、工作流、报告和用户决策点

批次轨迹屏幕,显示葡萄糖、乳酸、VCD、滴度和偏差风险的预测

可用于常规生产决策

表 2:设备级生物工艺数字孪生的五个构建模块;DCS = 可开发性分类系统,DO = 溶解氧,EBR = 电子批记录,LIMS = 实验室信息管理系统,MES = 制造执行系统,MPC = 模型预测控制,PAT = 过程分析技术,PLC = 可编程逻辑控制器,SCADA = 监督控制和数据采集,OPC–UA = 开放平台通信–统一架构,VCD = 活细胞密度

数字孪生也可以在不同层级进行描述。一个组件孪生代表单个设备项,例如泵、传感器、层析柱或生物反应器罐体。一个单元操作孪生代表一次生物反应器运行、层析步骤或 TFF 操作。一个工艺孪生连接多个单元操作,而一个场地或机群孪生则比较一个设施或网络中的类似资产。对于大多数生物制造场地而言,实施的实用起点是组件孪生或单元操作孪生,因为与其他属性相比,范围、数据质量、归属和验证更容易界定。

选择合适的模型类型

模型是数字孪生的一部分,将数据转化为状态估计、预测、诊断或建议。最佳模型取决于生物工艺问题、可用数据、生物学和物理学理解、预期预测速度以及预期用途所需的监管可追溯性。三类广泛的模型家族较为常见:机理模型、机器学习(ML)模型和混合模型(表 3)。

模型类型

含义

用途

缺点

机理模型

使用基于生物学、化学、传递或设备理解的方程

放大、质量平衡、氧传递、层析传递、过滤阻力、根本原因分析

可能需要难以获得的参数,除非简化,否则对于实时使用可能过慢

机器学习

从历史数据、实验数据或生产批次数据中学习模式

软测量、异常检测、终点预测、故障分类和快速预测

需要具有代表性的数据以及明确的外推、偏倚、漂移和可解释性控制措施

混合型

将机理结构与数据驱动的校正或估计相结合

生物反应器轨迹预测、带过程约束的拉曼软测量、层析合并收集以及基于模型的控制

需要过程知识、数据科学技能以及对两个模型组件的生命周期治理

表3:生物工艺数字孪生中常用的模型类型

实用模型选择指南:当工艺物理或生物学原理已被较好理解,且团队需要可解释性、外推能力或放大洞察时,使用机理模型。当存在具有代表性的数据,且目标是快速预测、模式识别或异常状态检测时,使用机器学习。当机理理解很重要,但纯机理模型过慢、不完整或难以维护时,使用混合模型。避免过度复杂化。一个针对某一决策经过验证的简单模型,比一个用户不信任或不维护的复杂模型更有价值。

生物工艺单元操作中的应用

当具备三个条件时,数字孪生最为有用:数据可获得且可靠,问题足够重要以证明治理的必要性,以及模型输出与一项实际决策相关联。表4提供了数字孪生在生物制造单元操作中应用的示例。

单元操作

孪生可预测或检测的内容

有用的数据来源

收益

哺乳动物细胞培养生物反应器

VCD、活率、葡萄糖需求、乳酸趋势、氨、渗透压、需氧量、滴度轨迹、收获时机、异常批次漂移

pH、DO、温度、搅拌、气体流量、尾气O2/CO2、补料、碱添加、电容、拉曼/近红外光谱、VCD、代谢物、滴度

更好的工艺理解、更早的干预、改进的补料策略以及更强的持续工艺确认

微生物发酵

底物限制、氧限制、产热、诱导响应、生产力趋势、泡沫、pH不稳定

DO、pH、气流、搅拌、OUR、CER、底物补料、温度、尾气、生物量、产品检测

提高生产力、加深放大理解并降低偏差风险

灌流培养

稳态漂移、细胞截留性能、放流/收获平衡、膜或过滤器污染

VCD、活率、灌流速率、细胞比灌流速率、放流速率、代谢物、产品滴度、压力、浊度

更稳定的长时间运行以及对缓慢发展故障的更好响应

Protein A或亲和层析

穿透、上样限量、合并收集窗口、树脂老化趋势、压力升高、清洗性能

UV、电导率、pH、流速、压力、柱体积、循环次数、HCP、hcDNA、滴度、产品质量数据

更高的产量、更好的树脂使用策略,以及更稳健的捕获操作

精纯色谱

杂质清除、电荷变异体收集、聚集体去除、电导率或 pH 敏感性

UV、pH、电导率、流速、压力、在线/离线 HPLC、杂质检测、产品质量数据

更一致的产品质量特征,以及对控制策略更深入的理解

TFF 或 UF/DF

通量下降、污染、浓缩终点、DF 完成度、膜性能漂移

TMP、进料/截留液/透过液压力、流速、电导率、UV 吸光度、浓度、温度、体积、质量

减少污染、提高回收率、减少终点偏差,并改善放大

病毒过滤

压力升高、处理量上限、污染、流速衰减、滤器堵塞风险

压力、流速、处理体积、蛋白浓度、浊度、预滤器性能

降低失败风险,并更好地预防批次中断

灌装–封口生产线

灌装量漂移、剔除趋势、生产线停机模式、胶塞/密封缺陷、设备错位

检重秤、流量计、泵信号、机器视觉、压力、事件日志、环境与干预记录

更少剔除、更早发现漂移,并更好地监测无菌工艺

表 4:生物工艺中数字孪生应用示例;CER = 二氧化碳释放速率,DO = 溶解氧,hcDNA = 宿主细胞 DNA,HCP = 宿主细胞蛋白,HPLC = 高效液相色谱,NIR = 近红外,OUR = 摄氧率,TFF = 切向流过滤,TMP = 跨膜压力,UF/DF = 超滤/渗滤,UV = 紫外光,VCD = 活细胞密度

聚焦示例:哺乳动物细胞培养生物反应器

哺乳动物细胞培养生物反应器是首个生物工艺数字孪生试点的有力候选对象,因为它数据丰富、生物学上重要,并直接关系到产品产量和下游负荷。除了确定 pH、溶解氧(DO)和温度是否在设定点范围内,该孪生体还需要评估批次轨迹是否与预期工艺状态一致,以及未来行为是否会造成质量或操作风险。

实际目标: 首个生物反应器孪生体的目标可能是预测 VCD、代谢物轨迹、需氧量、补料需求、收获时机或偏差风险。该孪生体起初不需要自动控制生物反应器。一个有价值的初步版本可以为操作员、工艺工程师或制造科学与技术(MSAT)科学家提供决策支持:例如,某批次是否处于预期的黄金批次包络范围内,葡萄糖是否可能在下次计划取样前降至目标值以下,或乳酸逆转是否会延迟。

数据与传感器: 生物反应器数字孪生的数据来源可包括

  • 主要工艺数据——pH、DO、温度、搅拌、气体流量、覆盖/鼓泡设置、背压、补料速率、碱添加、消泡剂添加和批次时间

  • 细胞培养数据——VCD、活率、总细胞密度、电容、渗透压、葡萄糖、乳酸、谷氨酰胺、氨、氨基酸、效价以及产品质量属性(PQAs)

  • PAT 数据——拉曼、近红外(NIR)和介电光谱;尾气 O2/CO2、质谱以及其他在线/原位测量。拉曼和近红外光谱已被证明可用于同时监测多个中国仓鼠卵巢(CHO)细胞培养变量,近期拉曼研究报告了在 10-L 生物反应器中准确预测代谢物和免疫球蛋白 G(IgG)效价(11, 12)

  • 背景数据——细胞系、克隆、种子扩增、培养基和补料批次、生物反应器规模、一次性使用组件、校准状态、操作员干预、批次编号以及偏差历史。

表 5 列出了模型选项及其用于生物反应器数字孪生的益处。

模型选项

其帮助方式

何时使用

批次轨迹模型

将当前批次行为与历史批次及预期操作范围进行比较

早期决策支持试点和持续工艺确认

软传感器模型

估算未连续测量的变量,如葡萄糖、乳酸、效价、VCD 和氨基酸

当实验室测量延迟且可获得 PAT 或高频工艺数据时

机制性生长与代谢模型

表征生物量生长、营养消耗、代谢物形成、需氧量和补料响应

当工艺理解、外推和放大论证很重要时

混合模型

将工艺方程与 PAT、历史数据和机器学习校正相结合

当需要可解释性和预测速度时用于常规预测

异常检测模型

识别异常轨迹模式、传感器问题和正在形成的工艺偏差

批次监测、故障排除和早期预警系统

表 5:哺乳动物细胞培养生物反应器孪生的模型选项

以下是实施此类数字孪生的分步试点工作流程(图 2)。

  1. 定义决策。例如,预测葡萄糖在下次计划采样前是否会保持在目标范围内。

  2. 定义用户和行动。

  3. 映射数据来源。

  4. 评估数据质量。

  5. 先构建最简单且有用的模型。仅在决策需要时添加机制细节、ML 特征或混合结构。

  6. 使用未用于训练或校准的独立批次或批次组验证模型。

  7. 在将孪生用于自动化控制或对药品生产质量管理规范(GMP)活动至关重要的决策之前,先将其部署为决策支持。

  8. 监测生命周期性能,并通过经批准的变更控制管理重新校准、重新训练或软件更新。

24-9-Sambar-F2.png

图 2:生物反应器孪生工作流程示例;PAT = 过程分析技术

下游与灌装–包装示例

层析滑架与层析柱: 层析是数字孪生实施中一个很有力的下游候选对象,因为它具有丰富的设备信号、清晰的工艺阶段,并与产量和纯度直接相关。蛋白 A 捕获孪生可以估算穿透风险、压力升高、结合载量、柱循环变异性、清洗效果或树脂老化趋势。精制层析孪生可以支持合并收集决策、杂质清除、电荷变异体控制和聚集体去除。连续层析的数字孪生已被证明可利用在线高效液相色谱(HPLC)PAT 数据以及经验模型或机理模型,支持单克隆抗体纯化的实时合并收集决策(13)。相连的机理模型也被用于表示生物制药下游工艺中的层析和调节步骤,支持对生产变异性和工艺稳健性的预测(14)。

TFF、UF/DF 与病毒过滤: 过滤操作是实用的候选对象,因为压力、流速、体积、电导率和浓度数据通常能以有用的频率获得。TFF 孪生可以估算通量下降、膜阻力、浓缩终点、DF 完成情况以及产品过度暴露的风险。病毒过滤孪生可以检测压力升高、预过滤器过载、流量衰减或接近处理量上限。此类应用通常作为决策支持很有用,因为它们可以在不改变已验证工艺配方的情况下防止批次中断或终点遗漏。

灌装–封口设备: 灌装–封口孪生可以监测灌装体积准确性、剔除模式、生产线停机、胶塞或密封缺陷、设备漂移和泄漏检测趋势。对于无菌产品,数字孪生应谨慎引入,因为无菌操作依赖于经过验证的污染控制策略、环境监测、干预控制和设备确认。灌装–封口孪生应加强监测和工艺理解,而不削弱既定的无菌控制(15)。

预测性维护与设备健康

预测性维护是数字孪生最实用的早期用途之一,因为它将设备健康信号与计划性干预联系起来。预测性维护不是仅按日历计划或在故障后维护设备,而是利用数据识别正在发展的性能退化。信号可能包括振动、电机电流、扭矩、压力、阀门响应、泵速、流量稳定性、温度、循环计数、报警历史、清洗趋势和剔除趋势(表 6)。

信号

可能含义

示例措施

振动增加

轴承磨损、不平衡或松动

在计划停机期间检查,并结合维护历史进行趋势分析。

压力或 TMP 升高

过滤器污染、层析柱堵塞、管路受限或黏度变化

审查工艺条件、预过滤器性能和设备状况。

扭矩或功耗上升

搅拌器磨损、混合负载变化、结垢或物料行为变化

结合批次背景进行比较,并确定该趋势是否持续。

报警更频繁

控制不稳定、传感器问题、部件劣化或操作人员工作流程问题

审查报警历史,并确定是否需要维护或工艺措施。

剔除率上升

生产线漂移、设备未对准、视觉系统问题或部件变异性

调查产品、工艺和设备方面的原因。

周期时间延长

设备效率降低、清洁延迟、传感器滞后或工艺变异性

审查根本原因,并在有正当理由时调整维护或运行计划。

表6:用于预测性维护的设备健康信号示例;TMP = 跨膜压

在受监管环境中,当预测性维护输出影响维护时机、批次处置、验证状态或产品质量决策时,必须将其与公司的质量体系相关联。仅用于工程认知的振动模型,其正式控制要求可能低于会自动更改维护间隔或支持放行影响决策的模型。预期用途应决定所需的验证和治理水平。

验证、监管期望与生命周期治理

生物工艺数字孪生应根据其预期用途和风险进行验证。仅用于工艺开发学习的孪生,其正式控制要求可能低于用于GMP决策支持、自动化工艺控制、偏差调查、实时放行支持或批次处置的孪生。当模型、数据和决策得到论证和控制时,美国食品药品监督管理局(FDA)和国际人用药品技术要求协调理事会(ICH)的指南支持基于科学、基于风险的生命周期方法(7–10)。

由于生物制品工艺对原材料变异性、细胞系行为、规模、设备配置、采样频率和分析方法变异性敏感,应谨慎界定数字孪生的经验证操作空间。应使用代表预期变异性的独立批次或生产活动对模型进行挑战。团队应界定模型能预测什么、不能预测什么,不确定性如何显示,以及用户何时应回退到既定程序而不是信任模型输出。

计算机化系统的期望也很重要。如果数字孪生部署在药品优良规范(GxP)环境中,那么软件、接口、数据完整性控制、访问管理、审计追踪、备份/恢复和变更控制程序应与风险相称。国际制药工程学会第五版药品优良自动化生产规范(GAMP 5)指南为合规的 GxP 计算机化系统提供了一个广泛使用的基于风险的框架(16)。当 PAT 或光谱模型构成控制策略的一部分时,分析程序验证和生命周期考量也应酌情与 ICH Q2(R2) 和 ICH Q14 保持一致(17, 18)。表 7 列出了数字孪生验证期间应提出的问题示例。

验证问题

为何重要

该孪生将支持什么决策?

验证取决于预期用途以及患者/产品风险。

谁将使用输出结果,可能随之采取什么行动?

工作流程与模型准确性同样重要。

使用了哪些数据?

数据必须准确、具有代表性、可追溯、有上下文且受到保护。

使用了什么模型,为什么?

模型结构应具有科学依据,并适合当前问题。

模型是如何训练或校准的?

训练和校准记录支持可追溯性和可重复性。

模型是如何测试的?

独立数据可显示模型是否能泛化到训练批次之外。

模型的局限性是什么?

用户需要知道预测何时不可靠或超出已验证范围。

不确定性如何传达?

置信区间、警告带和预测质量指标可防止虚假精确。

模型漂移如何监测?

随着细胞、培养基、树脂、膜、传感器或设备变化,性能可能发生变化。

更新如何受控?

再训练、再校准、软件补丁和数据管道变更应遵循变更控制。

表 7:生物工艺数字孪生的实用验证问题

生物工艺团队的实施路线图

数字孪生项目应从聚焦的生物工艺用例开始,而不是从广泛的技术计划开始。第一个项目应解决真实问题、使用可获取的数据、融入常规工作流程,并产生可衡量的收益。下面列出了实用路线图,表 8 总结了实施中的常见挑战:

  1. 选择一个高价值用例,例如生物反应器轨迹预测、层析合并支持、TFF 终点预测、病毒过滤风险监测、灌装体积漂移检测或预测性维护。

  2. 定义该孪生将支持什么决策,以及谁将使用输出结果:操作员、MSAT 科学家、自动化工程师、维护工程师、质量审核人员或现场负责人。

  3. 梳理可用数据源,并确认数据质量、频率、所有权、校准状态和可追溯性。

  4. 选择能够以可接受的准确性、稳健性和可解释性支持该决策的最简单模型。

  5. 使用独立数据验证模型,并记录假设、限制、接受标准和性能。

  6. 在考虑自动化控制之前,先作为决策支持进行部署。

  7. 培训操作人员、工程师、MSAT、质量、维护、验证和数据科学团队,使其了解如何解读和质疑输出结果。

  8. 通过生命周期治理监控模型性能并管理变更。

挑战

缓解措施

数据质量差

从数据映射、传感器验证、校准审查、历史数据库审查和明确的数据所有权开始。

批次背景信息薄弱

将历史数据库数据与批次标识、产品、细胞系、培养基批次、设备配置、规模、生产周期和取样事件关联起来。

范围过于宽泛

从一个单元操作和一个决策开始。只有在第一个工作流程获得信任后才扩展。

模型过于复杂

使用满足预期用途的最简单模型。只有在增加复杂性能够改善决策时才增加复杂性。

用户采用率低

在设计和测试期间纳入操作人员、MSAT、自动化、维护和质量用户。

验证不确定性

尽早定义预期用途、风险分类、接受标准和生命周期计划。

模型漂移

设置性能监控规则、警报阈值和再训练触发条件。

集成困难

尽可能从只读集成开始,并尽早让自动化和 IT/OT 安全团队参与。

网络安全和数据完整性

基于风险应用访问控制、审计追踪、网络分段、备份/恢复和变更控制。

表8:常见实施挑战和实用缓解措施;IT = 信息技术,MSAT = 生产科学与技术,OT = 运营技术

未来方向

随着生物制药工厂改善数据基础设施、PAT 采用、自动化集成、模型治理和跨职能数字素养,数字孪生有望变得更有用。未来的发展可能包括更强的混合模型、物理信息机器学习、自动化模型校准、多站点设备孪生、跨设备群的联邦学习、增强现实操作员支持以及人机协作智能(5, 6, 19)。

行业也需要超越更好的算法。生物工艺团队需要更好的数据背景、更清晰的模型所有权、更强的验证策略,以及帮助操作人员和科学家理解模型为何给出建议的用户界面。当数字孪生以受控、可解释且可持续的方式改善生物工艺决策时,它就是成功的。

设备级数字孪生可以帮助生物制药生产商改善工艺理解、批次轨迹监控、终点预测、偏差检测、预测性维护和生命周期工艺验证。最实用的起点不是广泛的数字化转型计划,而是一个聚焦的用例,例如生物反应器轨迹预测、层析收集支持、过滤终点预测、灌装体积漂移检测或设备健康监控。

对于生物制品生产,数字孪生应从一开始就在考虑质量和验证预期的情况下进行开发。模型应适合其预期用途,生成的数据应可追溯且具有代表性,用户工作流程应清晰,变更应在模型的整个生命周期内受到管控。若实施得当,数字孪生可以成为连接生物工艺数据、工艺知识和更可靠生产性能的实用桥梁。

参考文献

1 Tao F 等。工业中的数字孪生:最新进展。IEEE Trans. Ind. Inform. 15(4) 2019: 2405–2415; https://doi.org/10.1109/TII.2018.2873186.

2 Kritzinger W 等。制造业中的数字孪生:分类文献综述与分类。IFAC-PapersOnLine 51(11) 2018: 1016–1022; https://doi.org/10.1016/j.ifacol.2018.08.474.

3 Glaessgen EH, Stargel DS。面向未来 NASA 和美国空军飞行器的数字孪生范式。第53届 AIAA/ASME/ASCE/AHS/ASC 结构、结构动力学与材料会议:Honolulu, HI, 2012;https://doi.org/10.2514/6.2012-1818.

4 Grieves M。数字孪生:通过虚拟工厂复制实现卓越制造. 2014; https://www.3ds.com/fileadmin/PRODUCTS-SERVICES/DELMIA/PDF/Whitepaper/DELMIA-APRISO-Digital-Twin-Whitepaper.pdf.

5 Shahab MA, Destro F, Braatz RD。生物制药生产中的数字孪生:人机协作智能的综述与展望 [in press]。Engineering 2025; https://doi.org/10.1016/j.eng.2026.07.039.

6 Shariatifar M 等。生物工艺中的数字孪生:机遇与局限。Process Biochem. 156, 2025: 274–299; https://doi.org/10.1016/j.procbio.2025.05.023.

7 PAT:创新药物开发、生产和质量保证框架——行业指南。美国食品药品监督管理局:Rockville, MD, 2004;https://www.fda.gov/media/71012/download.

8 ICH Q13. 原料药和制剂的连续制造。人用药品技术要求国际协调理事会:Geneva, Switzerland, 2023;https://www.ema.europa.eu/en/documents/scientific-guideline/ich-guideline-q13-continuous-manufacturing-drug-substances-and-drug-products-step-5_en.pdf.

9 工艺验证:一般原则与实践——行业指南。美国食品药品监督管理局:马里兰州罗克维尔,2011年;https://www.fda.gov/media/71021/download。

10 ICH Q9(R1)。质量风险管理。人用药品技术要求国际协调理事会:瑞士日内瓦,2023年;https://database.ich.org/sites/default/files/ICH_Q9%28R1%29_Guideline_Step4_2025_0115_0.pdf。

11 Li M 等。原位拉曼与近红外光谱平行比较用于同时测量多个变量以实现 CHO 细胞生物反应器培养的实时监测。Biochem. Eng. J. 137, 2018: 205–213; https://doi.org/10.1016/j.bej.2018.06.005.

12 Rubini M 等。使用拉曼光谱和 PLS 回归模型监测 10 L 生物反应器中的营养物质、代谢物、IgG 滴度和细胞密度。Pharmaceutics 17(4) 2025: 473; https://doi.org/10.3390/pharmaceutics17040473.

13 Tiwari A 等。用于 mAb 纯化的连续色谱工艺数字孪生:设计与基于模型的控制。Biotechnol. Bioeng. 120(3) 2023: 748–766; https://doi.org/10.1002/bit.28307.

14 Rischawy F 等。用于预测生物制药生产色谱和调整步骤的集成工艺模型。J. Chromatogr. A 1681, 2022: 463421; https://doi.org/10.1016/j.chroma.2022.463421.

15 无菌工艺生产的无菌药品——现行药品生产质量管理规范:行业指南。美国食品药品监督管理局:马里兰州罗克维尔,2004年;https://www.fda.gov/media/71026/download。

16 ISPE GAMP 5指南:基于风险的方法实现合规的GxP计算机化系统(第2版)。国际制药工程学会:马里兰州北贝塞斯达,2022年。

17 ICH Q2(R2)。分析方法的验证。人用药品技术要求国际协调理事会:瑞士日内瓦,2023年;https://database.ich.org/sites/default/files/ICH_Q2-R2_Document_Step2_Guideline_2022_0324.pdf。

18 ICH Q14。分析方法开发。人用药品技术要求国际协调理事会:瑞士日内瓦,2023年;https://www.ema.europa.eu/en/documents/scientific-guideline/ich-q14-guideline-analytical-procedure-development-step-5-revision-1_en.pdf。

19 Eslami T, Jungbauer A. 通过模型预测控制实现生物制药生产的控制策略。Biotechnol. Prog. 40(2) 2024: e3426; https://doi.org/10.1002/btpr.3426。

Bhasker Sambar 是 Alvogen Inc.(新泽西州莫里斯敦)外部研发与技术服务高级经理,拥有超过 15 年开发和商业化无菌注射剂及药械组合产品的经验。

请按如下方式引用本文: Sambar B. 用于生物工艺的设备级数字孪生:上游、下游、灌装—包装及生命周期控制的实用模型。 BioProcess Int. 24(9) 2026: 240904。

来源:BioProcess International · 工艺与质量 · bioprocessintl.com