Algoritmos en los sensores blandos en biorreactores
Los algoritmos en los sensores blandos utilizan modelos y métodos de cálculo más o menos complejos. Los enfoques más comunes son los modelos basados en análisis de datos multivariados (MVDA).
La interpretación de datos analíticos en biorreactores o señales de espectrometría NIR y MIR, fluorometría, espectrómetros de masas y narices electrónicas [así como la combinación de datos de diferentes técnicas analíticas] son ejemplos de instrumentaciones de hardware donde se aplican con éxito métodos de MVDA.
Los instrumentos espectrométricos en los que los datos se superponen en espectros actualizados continuamente y donde las señales espectrales se desconvolucionan en conjuntos de variables de estado analíticas son especialmente atractivos como sensores blandos.
Una aproximación de modelo alternativa y popular al análisis de datos multivariados (MVDA) es la red neuronal artificial (ANNs, por sus siglas en inglés).
Se requieren extensas calibraciones y ajustes para sintonizar los parámetros en los modelos MVDA y ANN según la situación de medición real, por ejemplo, la cultura, el entorno del medio y los analitos.
Sin embargo, las técnicas MVDA y ANN son flexibles en su uso y podrían proporcionar muchas alternativas para predecir datos relevantes para los objetivos de la Tecnología de Análisis de Procesos (PAT).
Los algoritmos basados en modelos mecanicistas a veces son la elección preferida debido a su adherencia a eventos y procesos biológicos reales, y al hecho de que los datos analíticos son más fáciles y en su mayoría posibles de relacionar con modelos teóricos aceptados en la bioingeniería.
Típicamente, los algoritmos se derivan de balances de masa y ecuaciones cinéticas para los sistemas biológicos que pueden implementarse fácilmente en el sensor blando con un trabajo bastante limitado.
Los esfuerzos más exigentes serán determinar los valores de los parámetros en los modelos a partir de datos experimentales.
A menudo, los usuarios de sensores blandos no quieren ser obstaculizados por esto y, por lo tanto, prefieren los modelos no deterministas al vincular entradas y salidas según funciones de peso o factores polinómicos.
Desafortunadamente, esto puede resultar en que eventos o rutas metabólicas críticas puedan quedar ocultos en un conjunto de factores numéricos derivados únicamente de experimentos de calibración y entrenamiento.
No obstante, los métodos de mínimos cuadrados parciales (PLS) y las redes neuronales artificiales (ANN) son métodos de modelado comunes que se han aplicado con frecuencia en sensores blandos.
Esto es evidente en casos como narices electrónicas y lenguas electrónicas, donde los sensores de gas y las señales de electrodos sensibles a iones se utilizan como entradas para los modelos PLS o ANN vinculados a salidas como concentraciones de analitos en el medio, biomasa o proteínas expresadas.
Lo mismo se ha logrado con éxito con frecuencia con espectros de masa y ópticos.
Las combinaciones de enfoques de modelado también son alternativas interesantes, como modelos híbridos, así como otras opciones, como algoritmos genéticos y métodos de inferencia.
A veces, las tareas de cálculo para los sensores blandos son sencillas y directas, por ejemplo, sumar, restar, multiplicar o dividir dos valores de señal, como cuando se convierten tasas volumétricas a tasas específicas, se calculan factores de rendimiento o se filtra el ruido.
Aunque bastante simples de implementar, esta información puede tener un gran valor para la comunicación del operador, la toma de decisiones y como puntos de referencia de control.
La validación del rendimiento del sensor blando es un paso muy crítico para la evaluación de su utilidad en la fabricación. Por lo general, los conjuntos de datos de calibración se separan de los datos de validación y se aplican métodos estadísticos y criterios de rendimiento.
Depende del usuario decidir estos criterios y el nivel de las estimaciones del sensor blando que es suficiente para su propósito. En modelos de PLS y ANN, los procedimientos estándar de validación están ampliamente descritos y normalmente se siguen.
En modelos mecanicistas, las correlaciones con métodos de referencia confiables para las variables estimadas son fundamentales.
Las pautas de validación del proceso de las autoridades regulatorias son útiles y aplicables a la validación de sensores blandos.
También se ha sugerido considerar procedimientos de autovalidación incorporados en el sensor blando.
Un comentario general es que depende de las preferencias del usuario elegir un enfoque.
Puede ser que en gran medida el conocimiento del proceso necesario para establecer un modelo mecanicista esté disponible y que los parámetros del modelo estén previamente determinados para las condiciones o el espacio de diseño o control actual.
En ese caso, puede resultar atractivo utilizar ese modelo en el sensor blando. Sin embargo, puede haber muy poco conocimiento previo, lo cual podría ser el caso, por ejemplo, en productos de terapia celular u otros sistemas biológicos complejos. Esto favorecería el uso de modelos de PLS o ANN en el sensor blando.