Процессно-аналитическая технология (PAT) и искусственный интеллект: растущее влияние машинного обучения в…

Процессно-аналитическая технология (PAT) и искусственный интеллект: растущее влияние машинного обучения в производстве лекарств

Process Analytical Technology (PAT) – это аналитический метод, который измеряет критические показатели качества и производительности сырья, материалов, находящихся в процессе производства, и процессов во время производства. Решения PAT в настоящее время включают усовершенствования последних достижений в области искусственного интеллекта.

Технологии анализа процессов существуют уже несколько десятилетий, но последние достижения в области искусственного интеллекта помогли сделать их более эффективными, чем когда-либо прежде. Данные о процессах, сгенерированные решениями PAT, теперь можно анализировать с помощью специальных алгоритмов машинного обучения, которые используют глубокое обучение для прогнозирования того, что произойдет дальше. Эти технологии помогают повысить качество благодаря проектным инициативам, постоянно отслеживая ключевые показатели производительности в процессе производства. Алгоритмы машинного обучения могут учиться на опыте и формировать шаблоны на основе того, что они видели раньше, что позволяет им лучше прогнозировать результаты производства.

Индивидуальные решения PAT на основе искусственного интеллекта помогают обеспечивать качество за счет проектирования и управления производственными процессами для обеспечения безопасности лекарственных препаратов для пациентов во всем мире. В этой статье будет рассмотрено, как новые методы машинного обучения могут поддерживать биофармацевтическое производство в авангарде стандартизированного качества, удовлетворительной производительности и максимальной эффективности.

Производство стабильных продуктов в очень изменчивой экосистеме

Фармацевтические производственные процессы включают множество этапов, и материалы, используемые в этих операциях, могут значительно различаться по таким характеристикам, как содержание влаги, вязкость или кристаллическая структура. Биофармацевтическое производство сложно, поскольку оно включает в себя широкий спектр методов биообработки и работу с живыми организмами. В то же время, поскольку оборудование и его компоненты имеют неотъемлемые допуски, используемые устройства не всегда функционируют одинаково на протяжении всего жизненного цикла производства. Поскольку сырье является переменным, а процесс периодической обработки имеет свою собственную изменчивость в поведении оборудования, выходные продукты различаются, даже если операторы каждый раз следуют заранее определенной формуле с заданными заданными значениями.

Производители биофармацевтических продуктов не могут рассчитывать на то, что стандартные процедуры контроля процесса дадут воспроизводимые результаты. Неизбежны непредсказуемые изменения в сырье, настройке оборудования и условиях обработки, что приводит к изменению качества продукции. Более практичным подходом является разработка стратегий с возможностями измерения и контроля, которые компенсируют изменчивость процесса и продвижение культуры непрерывного обучения.

Целью применения технологии анализа процессов является разработка динамичного производственного процесса, который корректирует различия в сырье и оборудовании для производства стабильного продукта. PAT направлен на обеспечение базового, научно обоснованного понимания тех переменных, которые имеют решающее значение для стабильного успеха процедуры и конечного качества продукта. Инструменты PAT и общий подход обеспечивают основу для понимания производительности процесса. Он продвигает знания о процессах и подход к непрерывному обучению, связывая влияние переменных с эффективностью системы и управлением процессом.

Преимущества внедрения инструментов PAT заключаются в снижении производственных затрат, улучшении качества продукции, безопасности и согласованности, устранении или сокращении переделок продукции, оптимизации использования энергии и материалов, сокращении времени производственного цикла, облегчении принятия и соответствия нормативным требованиям. В итоге они создают надежный и стабильный процесс, который приводит к производству товаров, которые каждый раз производятся правильно.

Качество замысла (QbD) и технологические аналитические технологии

PAT положительно влияет на организационную эффективность; это приводит к безопасным и устойчивым процессам и позволяет принимать решения на основе данных. PAT означает достижение качества в дизайне (QbD). QbD — это представление о том, что качество должно быть встроено в продукт с пониманием самого продукта и производственного процесса, посредством которого он разрабатывается и производится, а также с осознанием любых потенциальных рисков.

Первым шагом в рамках программы «Качество в дизайне» является определение критических показателей качества (КПК), которые гарантируют получение высокоэффективного фармацевтического продукта. Следующим шагом является внедрение инструментов Process Analytical Technology для контроля Критических параметров процесса (CPP) и Ключевых показателей эффективности (KPI) для повышения качества и производительности производственных процессов. При использовании в тандеме со стратегией научного проектирования экспериментов эти инструменты необходимы для определения идеального пространства проектирования для создания и оптимизации продукта.

Типы инструментов PAT для всестороннего понимания и управления процессами и реакциями

В настоящее время доступно множество различных инструментов Process Analytical Technology для всестороннего понимания процессов и управления ими. Для успешного запуска проекта требуется сочетание трех основных инструментов PAT:

Многомерные инструменты сбора и анализа данных. Часто это сложные программные пакеты, помогающие в разработке экспериментов, сборе необработанных данных и статистическом анализе этих данных, чтобы определить, какие параметры являются критическими параметрами процесса.
Методы аналитической химии процессов (PAC) — это аналитические инструменты, используемые для измерения характеристик критических параметров процесса. Ближняя инфракрасная спектроскопия (NIRS) является одной из наиболее распространенных; однако также используются волоконная оптика, биосенсоры, рамановская спектроскопия и другие спектроскопические, а не спектроскопические методы.
Инструменты управления знаниями и непрерывного совершенствования — программное обеспечение, которое собирает данные контроля качества из нескольких процессов с течением времени, чтобы выявлять недостатки процессов, а также внедрять и оценивать инициативы по улучшению процессов.

Как инновационные решения в области искусственного интеллекта выводят системы Pat на новый уровень?

Использование PAT в сложных биофармацевтических процессах имеет решающее значение для поддержания качества продукции в широком диапазоне производственных масштабов, несмотря на гетерогенную природу живых клеток. Тем не менее, технологические аналитические технологии могут быть сложными для внедрения из-за опасений загрязнения при автономных измерениях, ограниченном количестве образцов, низкой чувствительности, временных ограничениях и т. д. Онлайн-мониторинг критических атрибутов качества (КПК), Критические параметры процесса (CPP) и Ключевые показатели эффективности (KPI) в режиме реального времени решают эти проблемы, способствуя улучшению управления процессом, анализу первопричин и характеристике процесса.

Текущие тенденции, с которыми в настоящее время сталкивается эта отрасль, подчеркивают важность этих измерений:

сосредоточиться на непрерывной обработке
переход на одноразовые технологии
акцент делается на повышении производительности и безопасности процессов

Внедрение PAT охватывает все, от разработки процессов на средних и поздних стадиях до проектирования процессов, масштабирования и передачи процессов, а также постоянного совершенствования усилий коммерческого производства. На каждом этапе технологии анализа процессов могут быть улучшены за счет использования новых технологий и решений искусственного интеллекта.

Планирование экспериментов на основе моделей (DoE)

Установление значимой взаимосвязи между условиями обработки и качеством продукции имеет решающее значение для успешного внедрения PAT. Информация из стандартной системы управления биореактором (например, давление, pH, T) и дополнительных инструментов PAT должна быть объединена и подсчитана в единой базе данных для ее дальнейшей обработки.

Переменные процесса постоянно изменяются на протяжении всего процесса разработки с помощью плана экспериментов (DoE), чтобы увидеть, как изменение параметров процесса влияет на CQA. Это предварительное исследование генерирует огромное количество многомерных данных о процессах. Для управления этими объемами данных и извлечения информации, необходимой для управления технологическим процессом, требуются передовые методы моделирования данных. Традиционно они опираются на различные модели многомерного анализа данных. Нередки случаи перехода к более продвинутым методам глубокого обучения для обработки данных и достижения необходимых результатов.

Для клинической разработки и производства можно использовать MVDA или модель глубокого обучения для мониторинга процедуры и обеспечения производства товаров требуемого качества. Эти модели должны управлять процессом при возникновении отклонений или возмущений на втором этапе. Обычно они используют исторические данные для сравнения результатов запущенного процесса в режиме реального времени.

Возможности этих устройств можно использовать для проверки того, работает ли процедура в соответствии со спецификациями, обеспечивающими качество конечного продукта, и даже для запуска корректирующих действий в процессе. Таким образом, системы PAT помогают поддерживать процесс на пути к намеченному завершению.

Похожий пример: прогнозный мониторинг производственного процесса API

Чтобы улучшить текущие процессы серийного производства, производитель активных фармацевтических ингредиентов обратился к нам с просьбой внедрить модели искусственного интеллекта для анализа спектральных данных.

Наша задача? Создание модели, которая анализирует потоки данных в реальном времени от хемометрических методов и выявляет потенциальные выбросы, которые могут привести к ухудшению качества, на основе исторических данных. Целью создания конвейеров данных и модели является преобразование оптических или спектральных данных в значимую информацию, которая помогает поддерживать инновационный процесс фармацевтической разработки. Преимущества заключаются в повышении эффективности, предсказуемости и обеспечении качества производственных операций и выходов. Подробнее об этом кейсе читайте здесь.

Интеграция всех доступных данных и моделирование управления технологическими процессами теперь возможна путем применения заказных моделей для конкретных продуктовых линеек или использования доступных готовых к использованию решений. Преимущество применения передовых моделей искусственного интеллекта, а не стандартного MVDA, заключается в возможности использования огромных объемов данных для улучшения понимания процесса и перехода к предписывающему инновационному процессу фармацевтической разработки. Несколько решений ИИ могут делать все это, и они предназначены для адаптации или автоматического обучения новым наборам данных и создания новых причинно-следственных связей между параметрами процесса и переменными процесса, в которых будут использоваться лежащие в основе алгоритмы.

Интенсификация непрерывной обработки с помощью глубокого обучения

Новые инструменты Process Analytical Technology в области искусственного интеллекта предоставляют производителям всестороннее понимание процессов и контроль.

В настоящее время инновационные концепции в процессах фармацевтического производства и, в частности, интенсификации процессов, существует множество творческих идей по улучшению оборудования, производственных процессов и аналитических методов. Это приводит к значительному повышению производительности и устойчивости.

Непрерывная обработка становится все более распространенной в фармацевтической промышленности за последнее десятилетие из-за ее способности повышать производительность при одновременном снижении затрат, связанных с ручным трудом, обслуживанием оборудования и т. д.

Основной задачей современных исследований является интенсификация непрерывных процессов. Он обеспечивает более эффективное непрерывное производство, улучшенную однородность продукта и значительную экономию энергии по сравнению с традиционными периодическими технологиями. Кроме того, непрерывное производство часто требует более строгих стандартов безопасности, поскольку оно производит опасные химические вещества только тогда, когда это необходимо, и их не нужно хранить в больших количествах.

Из-за невозможности получить такие преимущества от непрерывной работы завода без значительной степени автоматизации, внедрение интенсивных непрерывных процессов требует автоматизированных инструментов и жесткого контроля качества продукции.

Инструменты PAT предназначены не только для установки интеллектуальных датчиков в полевых условиях, но и в основном для надежного ИТ-решения, которое позволяет отслеживать, обеспечивать прозрачность и стратегию управления для непрерывной обработки. Расширенный контроль процессов (APC) позволяет обнаруживать, идентифицировать или анализировать аномалии с помощью процессов мониторинга в реальном времени. APC обычно сочетается с различными решениями ИИ, такими как обнаружение аномалий, классификация или прогнозная аналитика.

Сложные нелинейные модели процессов можно анализировать и интерпретировать автоматически с помощью передовых искусственных нейронных сетей или алгоритмов глубокого обучения, которые выявляют исключения и обеспечивают предупреждения и обратную связь. Зонды Pat можно использовать для обнаружения критических атрибутов качества в режиме реального времени. Суспензия может быть отправлена в отходы, как только модель глубокого обучения обнаружит материал, не соответствующий спецификации, или аномалию однородности, что предполагает ненормальное сочетание содержимого для обеспечения качества конечного продукта и экономии производственного времени для качественного производственного процесса.

Улучшенное качество данных и сокращение времени выполнения заказа, обеспечиваемые мониторингом PAT в реальном времени и анализом данных в сочетании с интегрированным системным управлением, поддерживают выпуск в реальном времени и стратегию QbD. Этот метод снижает потребность в проверке качества после обработки, соответствует нормативно-правовой базе и безопасности процесса, а также значительно снижает уровень запасов и время выполнения заказа.

Усовершенствованное моделирование на основе данных, основанное на решениях ИИ, можно применять для всестороннего мониторинга и прогнозирования всего процесса производства биофармацевтических препаратов (а не только отдельных операций). Это особенно важно при непрерывном производстве. Возникающая тенденция перехода к непрерывному производству стимулирует разработку более надежных систем на основе искусственного интеллекта, которые автоматизируют управление процессами.

Управление знаниями с помощью анализа больших данных

Корреляция между CQA и CPP сложна, и их можно описать только с помощью многофакторных отношений. Применение хемометрики, т. е. математических и эмпирических статистических методов, к физико-химическим данным необходимо. Поэтому компаниям, заинтересованным во внедрении PAT, необходимо перейти к новым стратегиям, чтобы справиться с огромной сложностью некоторых процессов. Эти стратегии включают аналитику больших данных и машинное обучение.

Программное обеспечение для анализа больших данных позволяет проводить основанную на знаниях оценку рисков методов и обеспечивает выполнение процессов в соответствующем пространстве проектирования процессов. Снижение риска возможно на всех этапах разработки благодаря глубокому пониманию и управляемости всех критических параметров системы, влияющих на стабильность и безопасность процесса (термодинамика, накопление, параметры настройки реактора и т. д.).

Управление технологическим процессом с помощью цифровых двойников

Цифровые двойники — это представления производственного процесса, используемые для соблюдения правил и обеспечения высокой прозрачности производственных процессов. Термин «цифровой двойник» относится к цифровой копии реального производственного предприятия, работающего для эффективного прогнозирования и управления техническим обслуживанием и управлением жизненным циклом. Цифровой двойник — это управляемая данными имитация реального производственного предприятия для оптимизации производства в режиме реального времени и обеспечения поддержки жизненного цикла.

Предположим, вы используете инструмент на основе ИИ, такой как нейронная сеть, которая представляет собой расширенную статистическую модель, разработанную с использованием наборов данных об операциях процесса, в качестве определения цифрового двойника. В этом случае это означает, что этап проектирования процесса завершен и завод уже запущен. В результате нет смысла использовать цифровых двойников в качестве инструмента проектирования процессов. Вместо этого цифровой двойник направлен на применение уже запущенных производственных процессов для более глубокого понимания и внесения изменений в процессы.

Чтобы обеспечить качество на каждом этапе производственных процессов, необходимо преодолеть некоторые препятствия с помощью моделей машинного обучения, таких как настройка параметров, которые требуют вмешательства экспертов для проверки точности на каждом этапе, не препятствуя повышению эффективности использования времени за счет автоматизации ИИ. возможности.

Адаптивное и прогнозирующее управление

Адаптивное управление включает в себя использование понимания процесса воздействия корректировки критических параметров управления в любой момент времени на качество будущего продукта для оптимизации разработки процесса. Существует неразрывная связь между адаптивным управлением и моделированием процессов с помощью цифровых двойников и планированием экспериментов, поскольку именно здесь модели, разработанные хемометрикой, применяются для повышения эффективности процессов. Адаптивный контроль включает в себя мониторинг процесса, чтобы ознакомиться с его поведением. Этот метод может применяться экспертами по процессам (с помощью Model Predictive Control (MPC) или других алгоритмов прогнозного моделирования с инструментальными панелями визуализации) или автоматизирован с использованием предписывающих методов машинного обучения.

Преимущества и проблемы технологии анализа процессов

Преимущества внедрения PAT включают в себя лучшее качество и однородность продукта, снижение стоимости процесса, улучшение процесса и безопасность продукта. Внедрение PAT связано с несколькими проблемами, которые охватывают технические и культурные вопросы компании. Проблемы применения PAT включают:

высокая стоимость входа,
требуются специальные анализаторы,
сложные хемометрические модели,
системная интеграция,
управление данными PAT,
разработка систем PAT,
требуется разрешение регулирующих органов.

Затраты на внедрение PAT включают приобретение новой технологии, модификацию существующей инфраструктуры, долгосрочное обслуживание и обучение персонала. Корпоративная культура имеет решающее значение для обеспечения плавного внедрения без операционных барьеров. PAT положительно влияет на организационную эффективность и приводит к разработке безопасных и устойчивых процессов, что ускоряет процесс разработки.

Преимущества применения технологии анализа процессов на основе ИИ в фармацевтической промышленности включают:

учитывать изменчивость процесса,
сокращение времени производственного цикла,
предотвратить риск потери партий,
включить выпуск в реальном времени,
увеличить автоматизацию, чтобы высвободить время операторов,
улучшить потребление энергии и материалов,
облегчить непрерывную обработку.

Будущие тенденции ИИ в фармацевтической промышленности Применение PAT

Процессно-аналитическая технология (PAT) существует уже несколько десятилетий, но последние достижения в области искусственного интеллекта расширяют ее возможности. PAT включает в себя измерение ключевых показателей качества и производительности сырья, материалов, находящихся в процессе производства, и процессов в режиме реального времени. Решения искусственного интеллекта используются для повышения качества проектирования и производственных процессов. Преимущества PAT включают в себя лучшее качество и однородность продукта, снижение стоимости процесса, улучшение процесса и безопасности продукта, а также повышение организационной эффективности. Проблемы внедрения PAT включают стоимость приобретения и модификации существующей инфраструктуры, долгосрочное обслуживание и обучение персонала. Однако будущие тенденции ИИ в промышленных применениях PAT выглядят очень многообещающе.

Будущее применение инструментов PAT в фармацевтической промышленности должно обеспечить автономный контроль и автоматизированные механизмы обратной связи и корректировки, применяемые к процессу фармацевтического производства.

Процессно-аналитическая технология (PAT) и искусственный интеллект: растущее влияние машинного обучения в…