Biyoreaktör Optimizasyonunda Model Öngörülü Kontrol

Model Öngörü Kontrolü (MPC), biyoreaktörlerin yönetimini, özellikle kültürlenmiş et üretiminde dönüştürüyor. PID sistemlerinin aksine, değişikliklere meydana geldikten sonra tepki vermek yerine, MPC gelecekteki davranışları tahmin eder ve gerçek zamanlı olarak hassas ayarlamalar yapar. Bu proaktif yaklaşım, değişkenliği azaltır, ürün verimlerini artırır ve büyük ölçeklerde bile tutarlılığı sağlar.

Önemli çıkarımlar:

• MPC vs PID: MPC, glikoz izleme hatalarını %5,1 oranında azaltır ve protein verimlerini PID sistemlerine kıyasla %3,9 oranında artırır.
• PID ile Zorluklar: PID, genellikle salınımlar veya verimsizliklerle sonuçlanan doğrusal olmayan biyolojik süreçler, gecikmeler ve değişen koşullarla mücadele eder.
• MPC Faydaları: Rahatsızlıkları yönetir, verimleri optimize eder ve Raman spektroskopisi gibi gelişmiş izleme araçlarını entegre ederek ölçeklenebilirliği destekler.
• Uygulama Engelleri: MPC, doğru modeller ve daha yüksek hesaplama kaynakları gerektirir, ancak adaptif ayarlama ve giriş engelleme gibi teknikler bu zorlukların üstesinden gelmeye yardımcı olur.

Yetiştirilmiş et üreticileri için, MPC karmaşık biyoprosesleri yönetmek için sağlam bir yol sunar, besin seviyeleri ve yan ürün oluşumu üzerinde daha iyi kontrol sağlar. PID daha basit görevler için bir seçenek olarak kalırken, MPC ölçeklenebilir, yüksek performanslı sistemler için giderek daha fazla tercih edilen bir seçenek haline gelmektedir.

1. Model Öngörü Kontrolü (MPC)

Bozulmalar Altında Performans

MPC, gelecekteki davranışı tahmin etmek için matematiksel modeller kullanır ve kontrol değişkenlerini gerçek zamanlı olarak ayarlamasına olanak tanır. Bu, özellikle dalgalanan giriş beslemeleri, sensör gürültüsü ve ölçümdeki gecikmelerle başa çıkan biyoreaktörlerde etkili olmasını sağlar.

2021 yılında, Illinois Institute of Technology ve Amgen araştırmacıları MPC'nin bozulmaları yönetme yeteneğini test ettiler. Glikoz ve glutamin konsantrasyonlarındaki değişiklikleri yönetirken, geleneksel oransal-integral (PI) kontrolüne kıyasla glikoz takibini %5,1 oranında iyileştirdiğini buldular ^[2]. 2014 yılında, Brian Glennon’ın ekibi, 15 litrelik bir pilot biyoreaktörde Nonlinear Model Predictive Control (NMPC) uyguladı. Her altı dakikada bir glikoz izleme için Kaiser RXN2 Raman spektroskopisini entegre ederek, NMPC önemli süreç değişkenliği ve sensör gürültüsüne rağmen 11 mM glikoz set-noktasını sabit tuttu ^[3].

Yeni MPC stratejileri sınırları zorlamaya devam ediyor. Mart 2026'da, Lipe Carmel ve Giacomo Sartori, Corynebacterium glutamicum fermentasyonları için Çoklu Giriş Kontrolü (MIC) stratejisini tanıttılar.Besin girdisi ve seyreltme oranlarını eşzamanlı olarak ayarlayan yaklaşımları, tek bir çalışmada 7.0, 13.0 ve 15.7 g/L biyokütle set noktalarını takip ederken aşımı %78.0 oranında azalttı ^[6].

Bu proaktif ayarlamalar, sadece anahtar değişkenleri stabilize etmekle kalmaz, aynı zamanda genel verim için de daha iyi bir yol açar.

Verimlerin Optimizasyonu

MPC, odağı sadece ara set noktalarını korumaktan nihai parti sonuçlarını maksimize etmeye kaydırır. Bu, ölçekli olarak tutarlı ve yüksek kaliteli sonuçlar elde etmenin büyük bir zorluk olduğu kültürlenmiş et üretimi için çok önemlidir.

Örneğin, Mudassir M. Rashid'in ekibi, kritik bir kalite özelliği öngörü kontrol algoritmasının, geleneksel yöntemlere kıyasla çalışmanın sonunda ürün konsantrasyonunu %3.9 oranında artırdığını gösterdi ^[2]. Benzer şekilde, makine öğrenimi modellerinin MPC sistemlerine dahil edilmesi, tarihsel ortalamalara kıyasla nihai protein üretiminde %2'den fazla bir iyileşmeye yol açmıştır ^[1].

Sonuçlar umut verici olsa da, MPC uygulaması kendi zorluklarını beraberinde getirir.

Uygulama Kolaylığı

Avantajlarına rağmen, MPC'nin kültive edilmiş et üretiminde uygulanması önemli engellerin aşılmasını gerektirir. Sistemin etkinliği, biyoreaktör dinamiklerinin karmaşıklıklarını yakalayan doğru matematiksel modellere dayanır. Touraj Eslami ve Alois Jungbauer şöyle açıklıyor:

"Herhangi bir geri bildirim tasarımının etkinliği, temel olarak sistem dinamikleri ve model doğruluğu ile sınırlıdır" ^[8].

Güçlü olmalarına rağmen, doğrusal olmayan modeller yüksek hesaplama kaynakları gerektirir ve gerçek zamanlı optimizasyonda gecikmelere neden olabilir ^[8]. Ayrıca, Doğrusal Olmayan MPC'nin konveks olmayan optimizasyonu, uygun şekilde başlatılmadığında performansı tehlikeye atarak yerel minimumlara yol açabilir ^[3]. Konstantins Dubencovs ve meslektaşları, pratik faydasını vurguluyor:

"MPC, standart PC ekipmanları kullanarak biyoteknolojik süreçlerin kontrolünde matematiksel modellerin kullanımını sağlayabilen neredeyse tek yöntemdir" ^[4].

Uyarlamalı MPC stratejileri, biyolojik değişkenliği ele almak için kontrolör parametrelerini otomatik olarak ayarlayarak çözümler sunar ^{[4] [5]}. Raman spektroskopisi gibi Süreç Analitik Teknolojisi (PAT) entegrasyonu, sık izleme için özel bilgi işlem altyapısına olan ihtiyacı azaltır ^{[8] [3]}. Teknikler, zaman ufkunu bloklara ayıran 'girdi engelleme' gibi, hesaplama yükünü yönetmeye de yardımcı olur ^[8].

Kültür Et Üretimi için Ölçeklenebilirlik

MPC'nin bozulmaları yönetme ve verimi optimize etme yeteneği, kültür et üretimini ölçeklendirmek için güçlü bir aday yapar. Biyofarmasötik ve mikrobiyal süreçlerde, sıkı süreç kısıtlamalarını karşıladığı yerlerde kendini zaten kanıtlamıştır ^[1]. Büyük ölçekli operasyonlar için, MPC, kütle ve ısı transferi gibi zorlukların üstesinden gelmek için substrat beslemelerini ayarlayarak uygun karışım, oksijen seviyeleri ve soğutmayı sağlar ^[5].

Faydalar açıktır: geri bildirim tabanlı besin kontrolü, monoklonal antikor titrelerini 1.7 kat artırmışken, öngörücü stratejiler 30 gün boyunca %4.5–10 ürün kaybını önlemiştir ^{[3] [7]}. Brian Glennon mevcut durumu uygun bir şekilde özetliyor:

"Biyoproseslerin kontrolü, kimya ve geleneksel ilaç sektörlerine kıyasla henüz emekleme aşamasında... biyoreaktör kontrolüyle ilgili zorluklar nedeniyle: zayıf süreç anlayışı [ve] ilgili süreç parametrelerinin ölçüm eksikliği" ^[3].

Bu zorluklara rağmen, makine öğreniminin MPC tahmin modellerine entegrasyonu ileriye dönük bir yol sunuyor. Bu gelişmeler, yüksek doğrulukta birinci ilke modellerinin yokluğunu telafi etmeye yardımcı olarak MPC'yi kültive edilmiş et üretiminin karmaşık taleplerine giderek daha uygun hale getiriyor ^[1]. Bu alandaki şirketler için, Cellbase (https://cellbase. com) gibi platformlar, gelişmiş kontrol stratejilerini etkili bir şekilde benimsemek için gereken araçlara ve uzmanlığa erişim sağlayan bir pazar yeri sunuyor.

2.PID Kontrol ve Diğer Geleneksel Yöntemler

Bozulmalar Altında Performans

Model Öngörülü Kontrol (MPC) değişiklikleri öngörmede başarılı olsa da, geleneksel PID (oransal-integral-türev) kontrolörlerinin belirgin dezavantajları vardır. Biyoteknolojide yaygın olarak kullanılan PID kontrolörleri, yalnızca sapmalar meydana geldikten sonra tepki verdikleri için reaktif olarak çalışır. Bu reaktif yaklaşım, biyolojik süreçlerin doğrusal olmayan ve zamana bağlı doğasıyla başa çıkmakta zorlanır, bu da PID'yi bu tür ortamlarda daha az etkili hale getirir ^[5][9].

Önemli bir sorun, sabit ayar parametrelerine sahip PID sistemlerinin, bir yetiştirme döngüsü sırasında süreç dinamikleri önemli ölçüde değiştiğinde kararlılığı koruyamamasıdır ^[5]. Örneğin, memeli hücre kültürlerinde, ölçüm gecikmeleri - bazen 24 saate kadar - PID'nin etkinliğini daha da azaltır ^[3]. Bu gecikmeler, zamanında ayarlamaların yapılmasını engelleyerek, yüksek derecede doğrusal olmayan ortamlarda salınımlara veya statik hatalara yol açar ^[3].

PID ve MPC arasındaki performans farkı verilerle desteklenmektedir. Mudassir M. Rashid, Satish J. Parulekar ve Ali Cinar tarafından 2021 yılında yapılan bir çalışmada, bilinmeyen bozulmalar ve ölçüm gürültüsü koşullarında, PID sistemlerinin glikoz konsantrasyonu set noktaları için MPC'ye kıyasla %5.1 daha yüksek izleme hatası gösterdiği bulunmuştur ^[2]. Ayrıca, PID sinyalleri genellikle havalandırma, köpük ve karıştırma süreçlerinden kaynaklanan biyoreaktör gürültüsü tarafından bozulur ^[5].

Verimlerin Optimizasyonu

PID'nin temel zorluklarından biri, metabolik değişimleri tahmin edememesi veya kritik substrat konsantrasyonlarındaki değişikliklere uyum sağlayamamasıdır. Bu sınırlama, genellikle aşırı substratın asetat gibi engelleyici yan ürünlere yol açtığı "taşma metabolizması" gibi sorunlara neden olur E.coli veya memeli hücrelerinde laktat ve amonyak ^[5].

Memeli hücre kültürlerinde - kültive edilmiş et üretiminin anahtarı - geleneksel besleme yöntemleri, bu yan ürünlerden kaçınmak için gereken düşük besin konsantrasyonlarını koruyamaz. Örneğin, glikoz ve glutamin seviyelerini sırasıyla 0.3 mM ve 0.5 mM'de kontrol etmek, inhibitör yan ürünleri önemli ölçüde azaltabilir, amonyağı %74 ve laktatı %63 oranında kesebilir ^[3]. Ancak, bu düzeyde bir hassasiyete ulaşmak, standart PID sistemlerinin yeteneklerinin ötesindedir.

Brian Glennon zorluğu şöyle özetliyor:

"Biyoproseslerin kontrolü henüz emekleme aşamasında...biyoreaktör kontrolü ile ilgili zorluklar nedeniyle: zayıf süreç anlayışı, ilgili süreç parametrelerinin ölçüm eksikliği ve dinamik, karmaşık ve doğrusal olmayan biyoproseslerin kontrolündeki zorluklar Uygulama Kolaylığı Sınırlamalarına rağmen, PID basitliği nedeniyle popülerliğini koruyor. Minimal hesaplama gücü gerektirir ve standart ekipmanla uygulanabilir. Çoğu kurulum, pH-stat (besin tüketiminden kaynaklanan pH değişikliklerine ayarlama) veya DO-stat (substratlar tükendiğinde çözünmüş oksijen artışlarına yanıt verme) gibi dolaylı geri bildirim mekanizmalarına dayanır. Ancak, PID sistemlerinin ölçeklendirilmesi, biyokütle veya substrat konsantrasyonlarını doğrudan ölçmek için güvenilir çevrimiçi sensörlerin eksikliği nedeniyle engellenmektedir.

Birçok küçük ve orta ölçekli tesiste, besleme profillerine yapılan manuel ayarlamalar - genellikle 24 saatlik aralıklarla - hala yaygındır. Bu yaklaşım, FDA'nın Gerçek Zamanlı, Otomatik Kontrolü savunan Proses Analitik Teknolojisi (PAT) girişimiyle çelişmektedir ^[4]. Bu manuel müdahaleler, PID'nin ölçeklenebilir ve verimli bir şekilde uygulanmasının zorluklarını daha da vurgulamaktadır.

Kültür Et Üretimi için Ölçeklenebilirlik

Üretim ölçeklendikçe, PID'nin sınırlamaları daha da belirgin hale gelir. Büyük ölçekli biyoprosesler, kütle transferi, karıştırma, ısı transferi ve oksijenasyon gibi faktörleri yönetmek için hassas substrat besleme ayarlamaları gerektirir ^[5]. Sabit ayar parametreleri, fermantasyon süreçleri sırasında meydana gelen önemli süreç dalgalanmalarını yönetemez ^[5]. Behzad Moshiri şunları belirtir:

"Geleneksel kontrol yöntemleri, biyoprosesleri kontrol etme gibi görevlerde başarılı olamaz... genellikle yüksek derecede kararsız doğrusal olmayan biyoreaktörler için yetersiz kalırlar" ^[9].

Örneğin, penisilin üretimi ile ilgili çalışmalarda, biyoproseslerin yüksek derecede doğrusal olmayan ve kararsız doğası, geleneksel PID sistemlerinin verimli set noktası takibini sürdürmede başarısız olmasına neden oldu ^[9].

Yetiştirilmiş et üretiminde, tutarlılık ve verim optimizasyonunun kritik olduğu durumlarda, bu sınırlamalar büyük zorluklar sunar. PID, pH veya çözünmüş oksijen kontrolü gibi daha basit görevleri yönetebilirken, reaktif doğası ve karmaşık, büyük ölçekli besin dinamiklerini yönetememesi, onu yetiştirilmiş et üretim sistemlerinin ileri gereksinimleri için uygun hale getirmez.

Model Öngörü Kontrolü

sbb-itb-ffee270

Avantajlar ve Dezavantajlar

Önceki performans karşılaştırmalarını genişleterek, bu bölüm Model Öngörü Kontrolü (MPC) ile Oransal-Integral-Türev (PID) kontrolünün biyoreaktörleri optimize etmedeki artı ve eksilerini inceler.

Memeli hücre beslemeli kesikli biyoreaktörlerde, MPC geleneksel PI algoritmalarını geride bırakır ve glikoz konsantrasyonu set noktası izleme hatasını %5.1 oranında azaltır ve nihai ürün konsantrasyonunu %3.9 oranında artırır^[2]. Bu öngörü yeteneği, kesin besin seviyelerini korumanın engelleyici yan ürünlerin oluşumunu önlediği kültive edilmiş et sistemlerinde özellikle önemlidir.

Bu iki strateji arasındaki temel fark, kontrol yaklaşımlarıdır. PID kontrolü reaktif, sapmaları yalnızca meydana geldikten sonra ele alır. MPC ise proaktif, bir süreç modeli kullanarak gelecekteki davranışları tahmin eder ve girdileri buna göre ayarlar. Ancak, bu iyileştirilmiş performans bazı ödünlerle birlikte gelir.

MPC, ayrıntılı süreç modellemesi ve daha fazla hesaplama kaynağı gerektirir, oysa PID kontrolörleri uygulaması daha basittir. PID sistemleri, minimal modelleme ile standart Programlanabilir Lojik Kontrolörlerde (PLC'ler) çalışabilirken, MPC biyoproses kontrolörü ile entegre bir PC gerektirir^[3][4]. Konstantins Dubencovs, Letonya Devlet Ağaç Kimyası Enstitüsü'nden şu notu düşüyor:

"MPC, standart PC ekipmanını kullanarak biyoteknolojik süreçlerin kontrolünde matematiksel modellerin kullanımını sağlayabilecek neredeyse tek yöntemdir."^[4]

İki yaklaşımın yan yana karşılaştırması:

Özellik	Geleneksel PID Kontrol	Model Öngörülü Kontrol (MPC)
Kontrol Mantığı	Tepkisel; geçmiş hataya dayalı	Proaktif; gelecekteki durum tahminlerini kullanır
Uygulama Karmaşıklığı	Basit; düşük hesaplama ihtiyaçları	Karmaşık; süreç modeli ve daha yüksek hesaplama gücü gerektirir
Doğrusal Olmayan Sistemlerde Performans	Sallanma veya kararsızlığa neden olabilir	Daha iyi izleme ve verim optimizasyonu sunar
Kısıtlama Yönetimi	İkincil mantık kullanılarak yönetilir	Optimizasyon maliyet fonksiyonu ile entegre edilmiştir
Ölçeklenebilirlik	Dağıtımı daha kolaydır ancak manuel yeniden ayarlama gerekebilir	Karmaşık sistemler için uygundur ancak yüksek doğrulukta modeller gerektirir
Veri Gereksinimleri	Minimal; gerçek zamanlı geri bildirime dayanır	Yüksek; geçmiş verilere veya detaylı modellere ihtiyaç duyar

Bu karşılaştırmalar, sadelik ve performans arasındaki ödünleşimleri vurgular.PID ve MPC arasındaki seçim, büyük ölçüde operasyonların ölçeğine ve mevcut teknik kaynaklara bağlıdır.

Sonuç

Model Öngörü Kontrolü (MPC), biyoreaktör performansını optimize etmede geleneksel PID sistemlerine göre belirgin bir avantaj sunar, özellikle kültive edilmiş et üretimi için. Bu alanda, hassas çevresel kontrolün doğrudan ürün kalitesini ve verimini etkilediği durumlarda, MPC ölçülebilir faydalar sağlar. Örneğin, glikoz izleme doğruluğunu %5,1 artırır ve nihai ürün konsantrasyonunu geleneksel yaklaşımlara kıyasla %3,9 artırır^[2]. Bu öngörü yeteneği, besin dengesini koruyarak zararlı yan ürünlerin birikmesini önlediği yüksek yoğunluklu hücre kültürlerinde özellikle kritiktir.

MPC, verimi maksimize etmek veya karmaşık, doğrusal olmayan süreçleri yönetmek için tercih edilen çözümdür.Yüksek değişkenlik, ölçüm gürültüsü veya genişletilmiş örnekleme aralıklarıyla başa çıkmada üstünlük sağlar ve PID sistemlerinin basitçe karşılayamayacağı bir sağlamlık seviyesi sunar. Ancak, daha küçük ölçekli operasyonlar ve basit süreçler için PID kontrolü hala daha maliyet etkin bir seçenek olabilir. MPC'nin proaktif yaklaşımı ile PID kontrolünün tepkisel doğası arasındaki zıtlık, yüksek performanslı kültür et üretiminde stratejik değerini vurgular.

Bilgisayar gücündeki gelişmeler ve Proses Analitik Teknolojisi (e.g. , Raman spektroskopisi ve NIR sensörleri gibi) gibi araçlar, MPC uygulamasını daha erişilebilir hale getirmiştir. Bu teknolojiler, standart donanım kurulumları kullanarak gerçek zamanlı optimizasyonu mümkün kılarak benimseme engellerini azaltır^[5].

Kültür et üreticileri için, özel biyoreaktör sensörleri, analitik enstrümanlar ve kontrol ekipmanlarının temini, başarılı MPC entegrasyonu için çok önemlidir. Platformlar Cellbase (https://cellbase.com), bu endüstrinin benzersiz taleplerini anlayan güvenilir tedarikçilerle üretim ekiplerini bir araya getiren özel bir pazar yeri sağlar.

MPC, biyoreaktör kontrolünde reaktif sistemlerden öngörücü, "tasarımla kalite" yaklaşımına geçişi temsil eder. Laboratuvardan ticari operasyonlara ölçeklenen kültürlenmiş et üretiminde, MPC, operasyonel verimliliği artırırken tutarlı ürün kalitesini korumada önemli bir rol oynayacaktır. Bu evrim, biyoprodüksiyonda ileriye doğru atılmış önemli bir adımdır.^[3].

SSS

Bir biyoreaktörde MPC çalıştırmak için hangi veri ve sensörler gereklidir?

Bir biyoreaktörde Model Öngörücü Kontrol (MPC) çalıştırmak, kritik süreç değişkenlerini izlemek için sensörlerin kullanılmasını içerir. Bunlar, glikoz gibi substrat konsantrasyonları, çözünmüş oksijen seviyeleri, pH, sıcaklık ve biyokütle ölçümleri gibi faktörleri içerir.Bu değişkenleri sürekli izlemek için gerçek zamanlı veri toplama sistemleri, doğru ve etkili kontrol sağlamak adına gereklidir.

Doğrusal olmayan hücre kültürleri için bir MPC modeli nasıl oluşturulur ve doğrulanır?

Doğrusal olmayan hücre kültürleri için bir MPC modeli geliştirmek ve doğrulamak, hassas bir süreç modeli oluşturarak başlar. Bu, birinci ilke denklemleri kullanılarak veya makine öğrenimi tekniklerinden yararlanılarak yapılabilir.. Bir sonraki adım, modelin tahminlerini biyoreaktörlerden elde edilen deneysel verilerle karşılaştırarak doğrulamaktır. Herhangi bir tutarsızlık, model parametrelerini ayarlayarak doğruluğu artırmak için ele alınır.

Model bir MPC çerçevesine entegre edildikten sonra, kontrolör biyoreaktörler içinde test edilir. İteratif ayarlamalar yoluyla, sistem, gerekli süreç kısıtlamaları içinde kalırken performansı optimize eden besleme stratejileri oluşturmak için ince ayar yapılır.

Kültürlenmiş et üretiminde PID, MPC'den ne zaman daha iyi bir seçimdir?

Model öngörülü kontrol (MPC), kültürlenmiş et biyoreaktör süreçlerinin karmaşık dinamiklerini ve değişen koşullarını yönetmek için son derece etkilidir, özellikle de hassas kontrolün gerekli olduğu durumlarda. Öte yandan, oransal-integral-türev (PID) kontrolü, basitliği ve kolay ayarlanabilirliği nedeniyle genellikle daha iyi bir seçimdir. PID, dinamik bir modelin mevcut olmadığı veya gerekli olmadığı durumlarda özellikle uygundur. MPC'nin gelişmiş özelliklerinin fazla bir ek fayda sağlamayabileceği, hızlı ve gerçek zamanlı tepkiler gerektiren basit sistemlerde iyi performans gösterir.

İlgili Blog Yazıları

• Biyoproses Sorun Giderme için Tahminsel Modelleme
• Proses Analitik Teknolojisi (PAT) Nasıl Uygulanır
• Parti Tutarlılığı için Proses Analitik Teknolojisi
• Vaka Çalışması: Kültür Et Üretimi için Biyoreaktör Doğrulaması