Prédiction de l’activité fermentaire
Afficher l’étude de cas
Projet - data science
Culture cellulaire : modélisation de la biologie et lien avec les flux de monitoring
Le challenge
Le scale-up des procédés, i.e. leur mise à l’échelle vers une plus grande taille, demande toujours réflexion, et en particulier lorsque ce sont des bioprocédés: les êtres vivants ont un comportement très non linéaire. Il faut bien comprendre l’influence des variables environnementales pour évaluer l’impact d’un changement sur la biologie.
Dans le cas présent, les cellules mammifères sont cultivées de manière à produire des anticorps qui seront utilisés dans un traitement spécifique. Le scale-up vers un bioréacteur plus gros nécessite quelques tests physiques pour le transfert d’oxygène mais l’impact sur le rendement des cellules est difficile à évaluer.
Une autre difficulté, ce sont les données disponibles:
- Lorsqu’une recette de culture est établie dans le domaine pharmaceutique, les conditions de fonctionnement sont fixées, ce qui implique que les lots sont majoritairement les mêmes. Le scale-up modifiera sûrement ce point de fonctionnement (bioréacteur différent, différents dispositifs de régulation, etc.) et il est donc délicat d’évaluer l’impact sur le rendement du procédé;
- Le taux d’échantillonnage est élevé pour les variables environnementales telles que le taux d’oxygène, mais il est vraiment faible concernant la biologie: 1 mesure par jour.
La solution
Le point de fonctionnement actuel a été modélisé avec des équations différentielles qui peuvent représenter l’évolution des variables (biomasse, anticorps, apport d’oxygène, kLa). Ainsi, l’évolution de la biologie est liée à des mesures à taux d’échantillonnage élevé et peut être décrite avec la même dynamique que ces mesures. Le modèle devient un capteur logiciel (‘software sensor’, en anglais) en ligne décrivant ce qui se passe dans le bioréacteur.
Pour évaluer l’impact du scale-up sur le rendement du processus, la prochaine étape peut être le ‘scale-down’ du processus en petits lots (bon marché) explorant différentes conditions opératoires. L’impact du changement de point de fonctionnement sur la biologie peut ensuite être évalué en interpolant les points de fonctionnement connus et modélisés. Le résultat est donc un outil d’aide à la décision qui peut aider à la gestion des batches (rendement assuré ou non? Démarrage d’un nouveau batch ou non en cas de problème?).
Le gain potentiel
Le capteur logiciel (software sensor) devient un outil de monitoring qui peut suivre les dérives à partir des points de fonctionnement définis et qui pourrait envoyer des alarmes aux opérateurs de culture pour sauver le lot. L’outil d’aide à la décision permet de gagner du temps de production: si le batch a dérivé quelques heures, vaut-il la peine de continuer avec le batch ou vaut-il mieux en démarrer un nouveau et gagner du temps de production?
Encore une fois, le gain opérationnel peut facilement se traduire par un gain financier.
Détails du projet
Activité du client
- Industrie pharmaceutique
- Production d’anticorps
Marque de la solution
- Wonderware
- Historian
- Intouch
- Microsoft
- Excel
- Matlab
Nature des travaux
- Golden batch
Services
- Data Science Offline et Optimisation
- Capteurs logiciels
D’autres références A découvrir également
Estimation en temps réel du taux de décarbonatation
Afficher l’étude de cas
Optimisation Production-Marché
Afficher l’étude de cas
Prédiction de la consommation d’eau potable
Afficher l’étude de cas
Scale-up de procédé de Séparation
Afficher l’étude de cas
Optimisation du taux d’humidité du laitier de cimenterie
Afficher l’étude de cas
Maintenance prédictive sur un broyeur à cru
Afficher l’étude de cas
Augmentation de rendement sur une ligne de production
Afficher l’étude de cas
