Monitorización de Bioprocesos
Métodos alternativos de medición multianalito de bioprocesos, como biorreactores con sensores de nariz electrónica y las lenguas electrónicas, también se han utilizado con éxito en la monitorización de bioprocesos.
Estos tipos de enfoques son matrices multisensoriales, que frecuentemente utilizan una variedad de principios de transducción, como electroquímicos, gravimétricos y ópticos, tal como Rudnitskaya y Legin resaltan, junto con proporcionar un resumen de los materiales de detección respectivos y los analitos/aplicaciones.
Una ventaja particular de los biorreactores con sensores de nariz electrónica, frecuentemente destacada en la literatura, es su capacidad para medir analitos volátiles directamente en el espacio de cabeza/gas de salida sin necesidad de contacto directo con el medio de cultivo.
Además, podría haber retrasos temporales, especialmente para analitos de baja concentración, y los sensores podrían verse afectados por la deriva y la interferencia del vapor de agua.
Aunque la lengua electrónica puede requerir cierta preparación de la muestra para eliminar sólidos suspendidos a fin de que el medio líquido entre en contacto con la matriz de sensores.
Varios métodos «ómicos», en esencia, también producen una huella dactilar de las características del organismo o del entorno en el que se cultivan y podrían considerarse métodos de monitorización de huellas dactilares.
Ejemplos de herramientas genómicas, transcriptómicas, proteómicas y metabolómicas utilizadas para la monitorización de bioprocesos y para aumentar la comprensión demuestran el valor agregado que estos métodos pueden ofrecer en el desarrollo y operación de bioprocesos.
Características y Desafíos de los Datos para la Modelización
La diversidad de bioprocesos conduce a una variabilidad significativa en la calidad y cantidad de los datos del proceso medidos.
Como argumentan Vojinovic y colaboradores, las variables del proceso medidas, la frecuencia, la precisión y el retraso temporal se ven afectados por el proceso de fabricación que está siendo monitorizado.
En general, sin embargo, la multitud de métodos analíticos utilizados en la modelización de bioprocesos (consultar secciones anteriores) resulta en una cantidad sustancial de datos continuos y discretos de calidad variable y registrados a diversas frecuencias.
Este problema de la frecuencia variable y la gran cantidad de datos se ve exacerbado por el uso de tecnologías de alto rendimiento, donde el cuello de botella en el desarrollo de procesos se traslada de la disponibilidad de recursos para llevar a cabo los experimentos necesarios al análisis de datos de la gran cantidad de datos resultantes.
Por lo tanto, se requiere un procesamiento de datos significativo para que los datos puedan ser utilizados en el desarrollo de modelos de bioprocesos con fines de monitorización y control.
Este preprocesamiento y conciliación de datos pueden incluir la alineación temporal simple, el relleno de datos faltantes mediante interpolación o el uso de métodos más sofisticados.
Los datos espectroscópicos en particular han demostrado beneficiarse de un preprocesamiento adecuado para reducir las fuentes de variabilidad y ruido en los datos, y mejorar el contenido informativo del conjunto de datos resultante.
Estos métodos de preprocesamiento frecuentemente incluyen el centrado en la media (dado que los espectros se miden en las mismas unidades, esta estandarización suele ser satisfactoria), el uso de derivadas para eliminar el desplazamiento de la línea base o la variación de la pendiente, o diversos métodos de suavizado y corrección de dispersión.
Estos incluyen el suavizado de datos ruidosos mediante un filtro de Savitzky-Golay, la corrección de dispersión multiplicativa (MSC) y la variación normal estándar (SNV).
Uno de los principales desafíos para la modelización multivariante efectiva de datos de bioprocesos con fines de monitorización y control es la fusión de datos de diversas fuentes y con diversas características.
Es posible utilizar diversas representaciones matemáticas de los datos para capturar las características más relevantes de cada etapa del bioproceso, y las metodologías para combinarlas en un marco efectivo capaz de capturar el comportamiento completo del proceso aún no están suficientemente estandarizadas.