Model Predictive Control (MPC) förändrar hur bioreaktorer hanteras, särskilt inom produktion av odlat kött. Till skillnad från PID-system, som reagerar på förändringar efter att de inträffat, förutser MPC framtida beteenden, vilket möjliggör precisa justeringar i realtid. Detta proaktiva tillvägagångssätt minskar variationer, förbättrar produktutbyten och säkerställer konsekvens även i stor skala.
Viktiga punkter:
- MPC vs PID: MPC minskar glukosspårningsfel med 5,1% och förbättrar proteinutbyten med 3,9% jämfört med PID-system.
- Utmaningar med PID: PID har svårt med icke-linjära biologiska processer, fördröjningar och föränderliga förhållanden, vilket ofta resulterar i svängningar eller ineffektivitet.
- Fördelar med MPC: Hantera störningar, optimera utbyten och stödja skalbarhet genom att integrera avancerade övervakningsverktyg som Raman-spektroskopi.
- Implementeringshinder: MPC kräver noggranna modeller och högre beräkningsresurser, men tekniker som adaptiv justering och input-blockering hjälper till att hantera dessa utmaningar.
För odlade köttproducenter erbjuder MPC ett robust sätt att hantera komplexa bioprocesser, vilket säkerställer bättre kontroll över näringsnivåer och biproduktbildning. Medan PID förblir ett alternativ för enklare uppgifter, blir MPC alltmer det föredragna valet för skalbara, högpresterande system.
1. Modellprediktiv kontroll (MPC)
Prestanda under störningar
MPC använder matematiska modeller för att förutsäga framtida beteende, vilket gör att den kan justera kontrollvariabler i realtid. Detta gör den särskilt effektiv i bioreaktorer som hanterar varierande inloppsflöden, sensorer brus och mätfördröjningar.
År 2021 testade forskare från Illinois Institute of Technology och Amgen MPC:s förmåga att hantera störningar. De fann att det förbättrade glukosspårning med 5,1% jämfört med traditionell proportionell-integral (PI) kontroll vid hantering av variationer i glukos- och glutaminkoncentrationer [2]. Tidigare, år 2014, tillämpade Brian Glennons team icke-linjär modellprediktiv kontroll (NMPC) på en 15-liters pilotbioreaktor med CHO 320 däggdjursceller. Genom att integrera Kaiser RXN2 Raman-spektroskopi för glukosövervakning var sjätte minut, upprätthöll NMPC en stabil 11 mM glukosinställningspunkt trots betydande processvariabilitet och sensorerbrus [3].
Nyare MPC-strategier fortsätter att tänja på gränserna. I mars 2026 introducerade Lipe Carmel och Giacomo Sartori en Multi-Inflow Control (MIC) strategi för Corynebacterium glutamicum fermenteringar.Deras metod, som samtidigt justerade näringsintag och utspädningshastigheter, minskade överskridandet med 78,0 % när de följde biomassa setpunkter på 7,0, 13,0 och 15,7 g/L i en enda körning [6].
Dessa proaktiva justeringar stabiliserar inte bara nyckelvariabler utan banar också väg för bättre total avkastning.
Optimering av avkastning
MPC flyttar fokus från att bara upprätthålla mellanliggande setpunkter till att maximera slutliga batchresultat. Detta är avgörande för produktion av odlat kött, där det är en stor utmaning att uppnå konsekventa, högkvalitativa resultat i stor skala.
Till exempel visade Mudassir M. Rashids team att en kritisk kvalitetsattribut prediktiv kontrollalgoritm ökade produktkoncentrationen med 3,9 % i slutet av körningen jämfört med konventionella metoder [2]. På samma sätt har införandet av maskininlärningsmodeller i MPC-system lett till en förbättring av den slutliga proteinproduktionen med över 2% jämfört med historiska genomsnitt [1].
Även om resultaten är lovande, medför implementeringen av MPC sina egna utmaningar.
Lätthet att implementera
Trots sina fördelar kräver införandet av MPC i odlad köttproduktion att man övervinner betydande hinder. Systemets effektivitet beror på exakta matematiska modeller som fångar bioreaktorernas dynamik. Som Touraj Eslami och Alois Jungbauer förklarar:
"Effektiviteten hos vilken återkopplingsdesign som helst är i grunden begränsad av systemdynamik och modellnoggrannhet" [8].
Även om icke-linjära modeller är kraftfulla, kräver de höga beräkningsresurser och kan orsaka förseningar i realtidsoptimering [8]. Dessutom kan icke-linjär MPC:s icke-konvexa optimering leda till lokala minima, vilket komprometterar prestandan om den inte initieras korrekt [3]. Konstantins Dubencovs och kollegor framhäver dess praktiska användbarhet:
"MPC är praktiskt taget den enda metoden som kan möjliggöra användningen av matematiska modeller i kontrollen av bioteknologiska processer med hjälp av standard PC-utrustning" [4].
Adaptiva MPC-strategier erbjuder lösningar genom att automatiskt justera regulatorparametrar för att hantera biologisk variabilitet [4] [5]. Integrering av Process Analytical Technology (PAT), såsom Raman-spektroskopi för frekvent övervakning, minskar behovet av specialiserad datainfrastruktur [8] [3]. Tekniker som 'input blocking', som grupperar tidshorisonten i block, hjälper också till att hantera beräkningsbelastningen [8].
Skalbarhet för odlad köttproduktion
MPC:s förmåga att hantera störningar och optimera avkastning gör det till en stark kandidat för att skala upp produktionen av odlat kött. Det har redan bevisat sig inom biofarmaceutiska och mikrobiella processer, där det uppfyller strikta processbegränsningar [1]. För storskaliga operationer hanterar MPC utmaningar som massa- och värmeöverföring genom att justera substratmatningar för att säkerställa korrekt blandning, syrenivåer och kylning [5].
Fördelarna är tydliga: feedback-baserad näringskontroll har ökat monoklonala antikroppstitrar med 1,7 gånger, medan prediktiva strategier har förhindrat 4,5–10% produktförluster över 30 dagar [3] [7]. Brian Glennon sammanfattar lämpligt det nuvarande tillståndet:
"Kontroll av bioprocesser är i sin linda jämfört med den kemiska och traditionella farmaceutiska sektorn... delvis på grund av de utmaningar som är förknippade med bioreaktorkontroll: dålig processförståelse [och] bristen på mätning av relevanta processparametrar" [3].
Även med dessa utmaningar erbjuder integrering av maskininlärning i MPC-prognosmodeller en väg framåt. Dessa framsteg hjälper till att kompensera för avsaknaden av högfidelitetsmodeller baserade på första principer, vilket gör MPC alltmer lämplig för de komplexa kraven vid produktion av odlat kött [1]. För företag inom detta område erbjuder plattformar som
2.PID-kontroll och andra traditionella metoder
Prestanda under störningar
Medan modellprediktiv kontroll (MPC) utmärker sig i att förutse förändringar, har traditionella PID-kontroller (proportionell-integral-derivativ) betydande nackdelar. PID-kontroller, som är allmänt använda inom bioteknik, fungerar reaktivt, vilket innebär att de endast svarar efter att avvikelser inträffar. Detta reaktiva tillvägagångssätt har svårt att hantera den icke-linjära och tidsberoende naturen hos biologiska processer, vilket gör PID mindre effektiv i sådana miljöer [5][9].
Ett nyckelproblem är att PID-system med fasta inställningsparametrar ofta misslyckas med att upprätthålla stabilitet när processdynamiken förändras avsevärt under en odlingscykel [5]. Till exempel, i däggdjurscellkulturer, minskar mätfördröjningar - ibland så långa som 24 timmar - ytterligare PID:s effektivitet [3]. Dessa förseningar förhindrar snabba justeringar, vilket leder till oscillationer eller statiska fel i mycket icke-linjära miljöer [3].
Prestandaskillnaden mellan PID och MPC stöds av data. I en studie från 2021 av Mudassir M. Rashid, Satish J. Parulekar och Ali Cinar visade PID-system en 5,1% högre spårningsfel för glukoskoncentrationssättpunkter jämfört med MPC under förhållanden med okända störningar och mätbrus [2]. Dessutom förvrängs PID-signaler ofta av bioreaktorbrus från luftning, skum och blandningsprocesser [5].
Optimering av Utbyten
En av PIDs kärnutmaningar är dess oförmåga att förutsäga metaboliska skift eller anpassa sig till förändringar i kritiska substratkoncentrationer. Denna begränsning leder ofta till problem som "overflow metabolism", där överskott av substrat resulterar i hämmande biprodukter som acetat i E.coli eller laktat och ammoniak i däggdjursceller [5].
I däggdjurscellkulturer - nyckeln till produktion av odlat kött - misslyckas traditionella matningsmetoder med att upprätthålla de låga näringskoncentrationer som behövs för att undvika dessa biprodukter. Till exempel kan kontroll av glukos- och glutaminnivåer vid 0,3 mM respektive 0,5 mM avsevärt minska hämmande biprodukter, vilket minskar ammoniak med 74% och laktat med 63% [3]. Men att uppnå denna nivå av precision ligger bortom kapaciteten hos standard PID-system.
Brian Glennon sammanfattar utmaningen:
"Kontroll av bioprocesser är i sin linda... på grund av de utmaningar som är förknippade med bioreaktorkontroll: dålig processförståelse, bristen på mätning av relevanta processparametrar och svårigheter som är inneboende i att kontrollera bioprocesser som är dynamiska, komplexa och icke-linjära" [3].
Lätt att implementera
Trots sina begränsningar förblir PID populär på grund av sin enkelhet. Det kräver minimal beräkningskraft och kan implementeras med standardutrustning [5]. De flesta installationer förlitar sig på indirekta återkopplingsmekanismer, som pH-stat (justering för pH-förändringar från näringskonsumtion) eller DO-stat (reagerar på lösta syrespikar när substrat är uttömda). Dock hindras skalning av PID-system av bristen på tillförlitliga onlinesensorer för direkt mätning av biomassa eller substratkoncentrationer [5].
I många små till medelstora anläggningar är manuella justeringar av matningsprofiler - ofta gjorda med 24-timmarsintervall - fortfarande vanliga. Detta tillvägagångssätt går emot FDA:s Process Analytical Technology (PAT)-initiativ, som förespråkar realtids, automatiserad kontroll [4]. Dessa manuella ingrepp belyser ytterligare utmaningarna med att implementera PID på ett skalbart, effektivt sätt.
Skalbarhet för odlad köttproduktion
När produktionen skalar upp blir PID:s begränsningar ännu tydligare. Storskaliga bioprocesser kräver precisa justeringar av substratmatning för att hantera faktorer som massöverföring, blandning, värmeöverföring och syresättning [5]. Fasta inställningsparametrar kan inte hantera de betydande processfluktuationer som uppstår under fermenteringskörningar [5]. Behzad Moshiri påpekar:
"Konventionella styrmetoder lyckas inte med en sådan uppgift [kontrollera bioprocesser]... de är ofta otillräckliga för mycket instabila icke-linjära bioreaktorer" [9].
Till exempel, i studier som involverar penicillinproduktion, orsakade den mycket icke-linjära och instabila naturen hos bioprocesser att traditionella PID-system misslyckades med att upprätthålla effektiv setpunktsspårning [9].
Inom odlat köttproduktion, där konsistens och optimering av avkastning är kritiska, utgör dessa begränsningar stora utmaningar. Medan PID kan hantera enklare uppgifter som pH- eller löst syrekontroll, gör dess reaktiva natur och oförmåga att hantera komplexa, storskaliga näringsdynamik det olämpligt för de avancerade kraven i odlat köttproduktionssystem.
Modellprediktiv styrning
sbb-itb-ffee270
Fördelar och nackdelar
MPC vs PID-styrsystem i bioreaktorprestandajämförelse
Genom att bygga vidare på tidigare prestandajämförelser undersöker detta avsnitt för- och nackdelarna med att använda modellprediktiv styrning (MPC) jämfört med proportionell-integral-derivativ (PID) styrning för att optimera bioreaktorer.
I däggdjurscellers fed-batch-bioreaktorer, överträffar MPC traditionella PI-algoritmer genom att minska glukoskoncentrationens setpunktsspårningsfel med 5,1% och öka den slutliga produktkoncentrationen med 3,9%[2] . Denna prediktiva förmåga är särskilt viktig i odlade köttsystem, där upprätthållande av exakta näringsnivåer förhindrar bildandet av hämmande biprodukter.
Den grundläggande skillnaden mellan dessa två strategier är deras tillvägagångssätt för kontroll. PID-kontroll är reaktiv, och hanterar avvikelser först efter att de inträffat. MPC, å andra sidan, är proaktiv, och använder en processmodell för att förutsäga framtida beteende och justera insatser därefter. Denna förbättrade prestanda kommer dock med vissa kompromisser.
MPC kräver detaljerad processmodellering och större beräkningsresurser, medan PID-kontroller är enklare att implementera. PID-system kan köras på standardprogrammerbara logiska styrenheter (PLC) med minimal modellering, medan MPC behöver en PC integrerad med bioprocesskontrollern[3][4]. Konstantins Dubencovs från Latvian State Institute of Wood Chemistry noterar:
"MPC är praktiskt taget den enda metoden som kan möjliggöra användningen av matematiska modeller i kontrollen av bioteknologiska processer med hjälp av standard PC-utrustning."[4]
Här är en jämförelse sida vid sida av de två metoderna:
| Funktion | Traditionell PID-kontroll | Modellprediktiv kontroll (MPC) |
|---|---|---|
| Kontrolllogik | Reaktiv; baserad på tidigare fel | Proaktiv; använder framtida tillståndsprognoser |
| Implementationskomplexitet | Enkel; låga beräkningsbehov | Komplex; kräver processmodell och högre beräkningskraft |
| Prestanda i icke-linjära system | Kan orsaka svängningar eller instabilitet | Erbjuder bättre spårning och avkastningsoptimering |
| Begränsningshantering | Hanteras med sekundär logik | Integrerad inom optimeringskostnadsfunktion |
| Skalbarhet | Lättare att distribuera men kan behöva manuell justering | Lämplig för komplexa system men kräver högupplösta modeller |
| Data Krav | Minimalt; förlitar sig på realtidsfeedback | Högt; behöver historiska data eller detaljerade modeller |
Dessa jämförelser understryker avvägningarna mellan enkelhet och prestanda. Valet mellan PID och MPC beror till stor del på omfattningen av verksamheten och de tekniska resurser som finns tillgängliga.
Slutsats
Model Predictive Control (MPC) erbjuder en tydlig fördel över traditionella PID-system när det gäller att optimera bioreaktorprestanda, särskilt för odlat köttproduktion. Inom detta område, där exakt miljökontroll direkt påverkar produktkvalitet och avkastning, levererar MPC mätbara fördelar. Till exempel förbättrar det glukosspårningsnoggrannheten med 5,1% och ökar slutproduktkoncentrationen med 3,9% jämfört med konventionella metoder[2]. Denna prediktiva förmåga är särskilt kritisk i högdensitetscellkulturer, där upprätthållande av näringsbalans förhindrar uppbyggnad av skadliga biprodukter.
MPC är den föredragna lösningen när man maximerar avkastning eller hanterar komplexa, icke-linjära processer.Det utmärker sig i att hantera hög variabilitet, mätbrus eller förlängda provtagningsintervall, och erbjuder en nivå av robusthet som PID-system helt enkelt inte kan matcha. För mindre operationer med enkla processer kan dock PID-kontroll fortfarande vara ett mer kostnadseffektivt val. Kontrasten mellan MPC:s proaktiva tillvägagångssätt och den reaktiva naturen hos PID-kontroll belyser dess strategiska värde i högpresterande odlad köttproduktion.
Framsteg inom datorkraft och verktyg som Process Analytical Technology (e.g. , Ramanspektroskopi och NIR-sensorer) har gjort MPC-implementering mer tillgänglig. Dessa teknologier möjliggör realtidsoptimering med standard hårdvaruinstallationer, vilket sänker trösklarna för adoption[5].
För odlade köttproducenter är det avgörande att skaffa specialiserade bioreaktorsensorer, analytiska instrument och kontrollutrustning för en framgångsrik MPC-integration.Plattformar som
MPC representerar ett avgörande skifte i bioreaktorkontroll, från reaktiva system till ett förutsägande, "kvalitet-genom-design"-tillvägagångssätt. När produktionen av odlat kött skalar upp från laboratoriet till kommersiell drift, kommer MPC att spela en viktig roll i att upprätthålla konsekvent produktkvalitet samtidigt som den driver operativ effektivitet. Denna utveckling markerar ett betydande steg framåt inom biotillverkning [3].
Vanliga frågor
Vilka data och sensorer krävs för att köra MPC i en bioreaktor?
Att köra Model Predictive Control (MPC) i en bioreaktor innebär användning av sensorer för att spåra kritiska processvariabler. Dessa inkluderar faktorer som substratkoncentrationer (såsom glukos), lösta syrenivåer, pH, temperatur och biomassa mätningar. För att upprätthålla noggrann och effektiv kontroll är realtidsdatainsamlingssystem väsentliga för att kontinuerligt övervaka dessa variabler.
Hur bygger och validerar man en MPC-modell för icke-linjära cellkulturer?
Utveckling och validering av en MPC-modell för icke-linjära cellkulturer börjar med att skapa en exakt processmodell. Detta kan göras med hjälp av förstaprincipsekvationer eller genom att utnyttja maskininlärningstekniker. Nästa steg innebär att validera denna modell genom att jämföra dess förutsägelser mot experimentella data från bioreaktorer. Eventuella avvikelser åtgärdas genom att justera modellparametrarna för att förbättra noggrannheten.
När modellen är integrerad i ett MPC-ramverk genomgår kontrollen testning inom bioreaktorer. Genom iterativa justeringar finjusteras systemet för att etablera matningsstrategier som optimerar prestanda samtidigt som de håller sig inom de nödvändiga processbegränsningarna.
När är PID fortfarande ett bättre val än MPC i produktion av odlat kött?
Modellprediktiv styrning (MPC) är mycket effektiv för att hantera de komplexa dynamikerna och föränderliga förhållandena i bioreaktorprocesser för odlat kött, särskilt när exakt kontroll är avgörande. Å andra sidan är proportionell-integral-derivativ (PID) styrning ofta det bättre valet för dess enkelhet och lätthet att justera. PID är särskilt lämplig när en dynamisk modell inte är tillgänglig eller behövs. Det fungerar bra i enkla system som kräver snabba, realtidsreaktioner, där de avancerade funktionerna hos MPC kanske inte erbjuder mycket extra fördel.
