Tipos de Simuladores para Entrenamiento en biorreactores.
Existen diversos tipos de simuladores para entrenamiento en biorreactores que pueden clasificarse según su área de aplicación o el objetivo de la capacitación.
Simuladores para Procesos «Estándar»
Debido a que muchos procesos de entrenamiento en biorreactores se presentan estructuras similares, se pueden desarrollar simuladores de entrenamiento complejos para estos procesos «estándar» de manera rentable. Una amplia variedad de tareas de aprendizaje —incluyendo el entrenamiento de la respuesta típica a perturbaciones o mal funcionamiento del proceso— pueden ser entrenadas utilizando procesos estándar. Ejemplos del uso de procesos estándar (por ejemplo, síntesis de metanol y polimerización) en simuladores de entrenamiento pueden encontrarse tanto en centros de entrenamiento internos de la compañía como en centros de entrenamiento para varias compañías.
El Centro de Entrenamiento PowerTec Essen, Alemania, opera diferentes simuladores de entrenamiento para plantas de energía, como un simulador de planta de energía de combustión fósil y un simulador de planta de turbina de gas de ciclo combinado (CCGT) con o sin extracción de calor. Dado que muchas plantas de energía son muy similares, diferentes compañías energéticas pueden entrenar a su personal en el Centro de Entrenamiento PowerTec. Se han implementado muchos detalles en los simuladores. Se pueden simular hasta 300 malfuncionamientos y se pueden cambiar más de 2000 valores de proceso.
El simulador de entrenamiento en el Europäisches Bildungswerk für Beruf und Gesellschaft, Alemania, ocupa una posición especial, ya que el programa de entrenamiento con este simulador se enfoca particularmente en pequeñas y medianas empresas de la industria química.
Simuladores Específicos de la Empresa (Simuladores a Medida)
Incluso procesos similares de entrenamiento en biorreactores en diferentes empresas exhiben diferencias en la configuración de la planta, el equipo utilizado, la tecnología del sistema de control y/o las sustancias específicas procesadas. Los simuladores que han sido adaptados especialmente a procesos muy específicos pueden ofrecer ventajas sobre los simuladores de procesos estándar, si los operarios deben ser entrenados en las características específicas del proceso y si se requiere la enseñanza de conocimientos y habilidades específicas.
Ejemplos de simuladores de entrenamiento, en los que se modelaron sistemas o subsistemas completos específicos de la empresa, han sido publicados por Leins et al., así como por Schaich y Friedrich. Con este tipo de simulador, se pueden simular procesos en los que se manejan 2 reactores, 9 columnas de separación y 18 sustancias. Los objetivos de entrenamiento de estos simuladores son ejercitar el arranque en frío y caliente o el apagado, el procesamiento de formulaciones y el entrenamiento en incidentes/malfuncionamientos.
Un elemento importante de los simuladores de entrenamiento en biorreactores específicos de la empresa es la posibilidad de operar el simulador utilizando un sistema de control de procesos ya existente. La principal ventaja de los simuladores específicos de la empresa es el entrenamiento altamente práctico y dirigido. Una desventaja clave de estos simuladores es el alto costo de creación del modelo. Sin embargo, varios autores asumen que este esfuerzo puede reducirse en el futuro mediante una mejor gestión de modelos corporativos o sistemas de gestión de modelos adecuados.
Automatización y Control de Procesos
Dado que los simuladores de entrenamiento son capaces de reproducir de manera bastante precisa el comportamiento dinámico de procesos industriales complejos, también pueden utilizarse para la formación de empleados en el campo de la medición y la tecnología de control. Utilizando procesos de ejemplo típicos de entrenamiento en biorreactores, como por ejemplo, un reactor agitado simulado, se puede practicar el análisis de sistemas de control o el ajuste de parámetros de control. Además, los simuladores de entrenamiento pueden utilizarse como una herramienta para la ingeniería de conceptos específicos de automatización de procesos y su prueba antes de la instalación, incluyendo pruebas de acciones de control secuenciales y pruebas de estructuras de control recientemente desarrolladas.
Simuladores de Entrenamiento de biorreactores en la Educación Académica
Además del uso de simuladores de entrenamiento en la industria de procesos, el potencial de los simuladores educativos y de entrenamiento se reconoce cada vez más en el contexto de la educación académica. Sin embargo, los objetivos de entrenamiento en el contexto de la educación superior difieren de los del entrenamiento dentro de la empresa. Por esta razón, los simuladores para la educación académica en colegios y universidades tienen una posición especial dentro del grupo de simuladores de entrenamiento.
Mientras que en la industria, un entrenamiento bastante especializado para manejar ciertos procesos (el «saber cómo») suele ser el objetivo principal, las universidades se centran en enseñar conocimientos fundamentales sobre las operaciones básicas de ingeniería de procesos (el «saber por qué»). Por lo tanto, en las universidades existen requisitos más bajos en términos de detalle (precisión de la dinámica del proceso, la imagen del proceso (panel de control, etc.)) en comparación con los simuladores de entrenamiento en biorreactores industriales. Sin embargo, en las universidades existe un fuerte requisito de que los procesos fundamentales subyacentes estén descritos correctamente con respecto al objetivo de enseñanza definido. La complejidad de los simuladores utilizados en las universidades varía considerablemente, desde simuladores basados en LabVIEW hasta los simuladores de entrenamiento basados en web más complejos.
En la educación superior parece haber un enfoque en simuladores de entrenamiento para el control y la automatización de procesos. Dado que el control es una disciplina bastante abstracta para muchos estudiantes de ingeniería, los simuladores de entrenamiento para la formación en los conceptos básicos de control también se desarrollan cada vez más, apoyando el aprendizaje orientado a la acción.
Simuladores de biorreactores en la Industria de Procesos
Simuladores de Biorreactores – En la industria de procesos y la investigación relacionada, se utilizan diferentes tipos de simuladores. Debido al tremendo aumento en el rendimiento de las computadoras personales y las capacidades computacionales en constante mejora, las condiciones para el uso de software de simulación han mejorado significativamente. Los paquetes de software de simulación se utilizan con diferentes propósitos y en diferentes áreas de aplicación.
Sin pretender ser exhaustivos, las áreas principales de simuladores de biorreactores son la ingeniería asistida por computadora (CAE) y la ingeniería de procesos asistida por computadora (CAPE), la planificación de la producción, el diseño del control y la automatización de procesos, la investigación y desarrollo, y la formación y educación.
CAE y CAPE comprenden principalmente la planificación y el diseño de procesos estacionarios e invariantes en el tiempo cerca de puntos óptimos de operación. Las herramientas de CAE y CAPE más desarrolladas permiten la simulación de procesos dinámicos y variantes en el tiempo.
Estos paquetes pueden utilizarse para el diseño u optimización de estrategias operativas, así como para la prognosis, diagnóstico e interpretación del comportamiento dinámico del proceso (es decir, para procesos por lotes).
A menudo, las herramientas de simuladores de biorreactores de CAE y CAPE incluyen bibliotecas de modelos con modelos estándar y proporcionan herramientas para el desarrollo individual de modelos.
Con la ayuda de simuladores para la planificación de la producción, se pueden desarrollar y optimizar procesos completos de producción y fabricación.
Estos simuladores frecuentemente no incluyen modelos mecanicistas de operaciones unitarias, sino que se centran en las secuencias procedimentales y duraciones de los pasos individuales de producción.
Otro grupo de simuladores permite el diseño de controladores y sistemas de automatización, la optimización de procedimientos operativos y la planificación de procedimientos de puesta en marcha y apagado.
Estos simuladores de biorreactores apoyan el modelado de funciones secuenciales en un proceso y las funciones de respuesta dinámica escalonada de subsistemas que deben ser controlados y automatizados, así como los controladores aplicados en los procesos.
La investigación y desarrollo requieren software de simulación con una flexibilidad muy alta para la formulación de nuevos modelos y algoritmos para la estimación de parámetros o la optimización de procesos.
Un propósito fundamental de la simulación de biorreactores y el modelado en universidades, institutos de investigación y departamentos de investigación industrial es apoyar la adquisición de nuevos conocimientos y comprensión científica. A menudo, los simuladores se utilizan para el diseño de nuevos experimentos.
Finalmente, los simuladores en educación y formación se utilizan para transmitir conocimientos básicos de procesos o comprensión avanzada de procesos para la optimización de los mismos. Otro campo es el entrenamiento real de competencias operativas y competencias para actuar.
Para procesar estas tareas, están disponibles numerosos sistemas de simulación comerciales o universitarios.
Los sistemas de simulación muy poderosos incluyen ASPEN y Hysis, ChemCad, SIMBA, GPS-X , Matlab/SIMULINK, WinErs, Berkeley Madonna, DIVA, y DIANA (MPI Magdeburg), así como el paquete C-eStIM, desarrollado en la Universidad de Ciencias Aplicadas de Bremen. Estos sistemas de software se utilizan en la industria química, tecnología ambiental y biotecnología, así como en universidades.
Simuladores de Entrenamiento de biorreactores
Los simuladores de entrenamiento para operadores (OTS, por sus siglas en inglés) y los simuladores interactivos para educación son una clase especial de simuladores.
Aunque tanto los OTS como los simuladores interactivos para educación se utilizan con fines de formación y educación y pueden compartir mucho en común desde una perspectiva técnica, es útil aclarar las diferencias entre estos dos tipos de simuladores de biorreactores.
Los OTS se utilizan básicamente para el entrenamiento de operadores de planta con respecto a la operación y manejo de procesos utilizando el sistema de control de procesos.
El entrenamiento frecuentemente comprende procedimientos de puesta en marcha y apagado, así como el entrenamiento para la operación normal y estrategias de resolución de problemas para situaciones críticas del proceso.
En el curso del entrenamiento, es especialmente crucial cómo se opera un proceso (saber cómo) y en menor medida por qué se elige una estrategia particular (saber por qué).
Una característica especial de los OTS es que el tiempo de la simulación corresponde al tiempo del proceso real (operación en tiempo real).
Además, los aprendices pueden operar el simulador a través de una interfaz de usuario del sistema de control de procesos de manera análoga al proceso real.
La tarea esencial de los simuladores interactivos para la educación es impartir y profundizar la comprensión del proceso por parte de estudiantes y aprendices (saber por qué).
Basándose en los resultados de simulación en biorreactores de un simulador interactivo para la educación, ciertos efectos o fenómenos de un proceso pueden ser fácilmente demostrados e ilustrados en comparación con un modelo matemático más abstracto.
Se pueden encontrar ejemplos de simuladores para la educación ocasionalmente en plantas y con mayor frecuencia en la educación superior y universidades.
Una clase especial de simuladores de biorreactores para la educación son aquellos que se utilizan para la formación de ingenieros de instrumentación y control en la industria de procesos.
Con estos simuladores, los procesos de producción industrial se muestran particularmente en su comportamiento dinámico.
Siempre que el simulador sea capaz de realizar cálculos en tiempo real y posea interfaces apropiadas, se pueden vincular controladores de procesos estándar al simulador.
En esta configuración, los aprendices de instrumentación y control pueden realizar de manera segura un análisis del comportamiento de la planta y practicar la configuración de parámetros de control.
Combinaciones más elaboradas de OTS y simuladores interactivos para la educación pueden utilizarse para la planificación y puesta en marcha de sistemas completos de automatización y control de procesos.
En el texto subsiguiente, las expresiones «simulador de entrenamiento para operadores» y «simulador interactivo para la educación» no se distinguirán estrictamente.
En su lugar, se utiliza el término «simulador de entrenamiento» ya que parece probable que ambos tipos de simuladores continúen convergiendo en el futuro.
Simuladores de entrenamiento de biorreactores
A partir de principios de la década de 1990, la aplicación de simuladores de entrenamiento de biorreactores en la industria de procesos aumentó debido a diferentes razones, las cuales son resumidas por Reinig et al.
Es importante destacar que, debido a la integración de procesos, la operación de plantas (instalaciones) se ha vuelto cada vez más compleja.
Esta mayor complejidad conllevó un mayor grado de automatización y procedimientos operativos más complejos que generaron nuevos requisitos para las habilidades de los operadores de ahí la necesidad de simuladores de entrenamiento de biorreactores
A principios del siglo XX y hasta principios de la década de 1940, los operadores de biorreactores de planta tenían que realizar todas las funciones necesarias del proceso por su cuenta y directamente en el lugar.
A partir de mediados del siglo, los procesos comenzaron a ser controlados con paneles de control en técnica analógica.
Todavía algunas funciones debían ser realizadas por los operadores in situ, pero muchas de las funciones eran realizadas por el sistema de automatización.
Hoy en día, el control y la automatización modernos se llevan a cabo utilizando sistemas de control digital.
La mayoría de las decisiones relacionadas con la operación del proceso se derivan de la información de monitores de computadora.
Las acciones de control por parte de los operadores se realizan mediante entradas en una computadora a través de interfaces gráficas de usuario.
La operación de procesos industriales se ha convertido en una tarea bastante abstracta.
En este contexto, se debe considerar que la eficiencia del proceso y los rendimientos de los productos dependen en gran medida de las decisiones que tomen los operadores.
Además, los procesos modernos de producción biotecnológica que utilizan biorreactores requieren el desarrollo y la implementación de estrategias operativas complejas pero robustas para lograr rendimientos máximos y eficiencias de proceso, al mismo tiempo que se minimizan las necesidades de energía y recursos.
Incluso procesos aparentemente bien conocidos, como la producción de levadura de panadería, requieren conceptos sofisticados para la dosificación de sustratos y otras estrategias de control de procesos, debido al alto grado de interacción entre los procesos fundamentales en un biorreactor, como la mezcla, la transferencia de calor y masa, el crecimiento de organismos y la cinética de las reacciones bioquímicas.
Se puede ver claramente que los operadores de biorreactores deben ser capaces de realizar de manera segura una serie de procedimientos operativos, y los simuladores de entrenamiento de biorreactores apoyan a las operaciones estándar para una producción óptima en tanques de acero, secuencias de arranque y apagado, resolución de problemas en caso de comportamientos inesperados en el crecimiento y la producción, acciones relacionadas con fallos en el equipo e incidentes, acciones relacionadas con la seguridad y la adaptación de procedimientos operativos a diferentes organismos, sustratos o productos, incluyendo posiblemente el ajuste de parámetros del controlador.
La creciente complejidad de las estrategias operativas y de control conduce a una demanda creciente de simuladores de entrenamiento de biorreactores para la formación y educación de operadores de bioprocesos, ingenieros bioquímicos y miembros de otras disciplinas de ingeniería.
Se espera un aumento constante en la capacidad de abstracción de los operadores de procesos.
Estas crecientes demandas en la formación se enfrentan a recursos financieros y humanos limitados y al deseo de acortar el tiempo de entrenamiento de biorreactores.
Al mismo tiempo, se acepta en general que los métodos de enseñanza activos contribuyen significativamente al éxito en el aprendizaje.
En este contexto, los simuladores de entrenamiento son una herramienta cada vez más importante en la formación industrial de operadores de procesos e ingenieros, en la educación académica e investigación, así como en la formación profesional continua.
Actualmente se aplican en aviación, navegación, plantas de energía convencionales y nucleares, en la industria petroquímica, en la producción de productos químicos finos y para la operación de procesos por lotes en la industria química.
Algunas aplicaciones se han reportado para plantas de tratamiento de aguas residuales y para la biotecnología.
En los últimos años se han publicado algunas revisiones sobre simuladores de entrenamiento, lo que indica su creciente importancia.
Desechos en biorreactores
En cuanto a desechos en biorreactores, algunas otras aplicaciones del Diseño de Experimentos (DoE) relacionadas con el diseño de medios que se refieren a la degradación de desechos, en biorreactores especialmente aguas residuales de fábricas, donde la composición tóxica o de otro modo dañina de los compuestos debe ser eliminada o reducida en un efluente.
Por ejemplo, Yuan et al. optimizaron la degradación de la nicotina en corrientes de desechos en biorreactores en un cultivo de *Ochrobactrum intermedium*, donde se utilizó un medio basado en extracto de levadura, glucosa y Tween 80.
Aplicaron la Metodología de Superficie de Respuesta (RSM) para estudiar los efectos de los componentes del medio sobre la tasa de degradación en experimentos de matraz agitador utilizando un Diseño Compuesto Central (CCD) de factorial completo.
Los resultados mostraron que la variable más significativa que influye en la degradación en biorreactores de la nicotina fue el extracto de levadura, seguido por la glucosa y luego el Tween 80. Además, estos tres factores interactuaron y, al hacerlo, mejoraron la degradación de la nicotina.
Los datos experimentales también permitieron el desarrollo de un modelo empírico que describe la relación entre las variables independientes y dependientes.
Al resolver la ecuación de regresión, se determinaron los valores óptimos de las variables. Al validar el medio optimizado, se degradaron 1.22 g l−1 de nicotina de un extracto de nicotina a una tasa de 0.12 g l−1 h−1 utilizando un biorreactor de 30 l.
Una vez más, la RSM demostró ser confiable en el desarrollo del modelo, la optimización de factores y el análisis de efectos de interacción, proporcionando así una mejor comprensión de las interacciones entre el extracto de levadura, la glucosa y el Tween 80 para la biodegradación de la nicotina.
Los procesos de desechos en biorreactores relacionados con la protección ambiental con el propósito de eliminar una sustancia dañina y transformarla en un producto de valor comercial o en un subproducto son otros ejemplos donde el Diseño de Experimentos (DoE) es útil para optimizar las condiciones del cultivo, incluyendo la composición de su medio.
Por ejemplo, Pakshirajan y Mal estudiaron la conversión de monóxido de carbono (CO) a hidrógeno por un consorcio microbiano anaeróbico compuesto por especies de *Petrobacter* aisladas de un tratamiento de aguas residuales.
El consorcio fue inicialmente cultivado en un medio que contenía acetato y luego se adaptó para utilizar CO como la única fuente de carbono para la producción de hidrógeno.
Luego se aplicaron experimentos diseñados estadísticamente para optimizar la conversión de CO a hidrógeno por el consorcio.
Para determinar los factores que influyeron significativamente en la producción de hidrógeno, se utilizó un cribado de Plackett–Burman, que mostró que la temperatura y los iones Fe2+ influían predominantemente en la producción de hidrógeno; el pH y los iones Ni2+ también influyeron, pero en menor medida.
Posteriormente, se optimizó la concentración de los iones Fe2+ y Ni2+ en el medio utilizando un Diseño Compuesto Central (CCD) seguido de la Metodología de Superficie de Respuesta (RSM), lo que dio como resultado un valor óptimo de 213 mg l−1 para Fe2+ y 2.2 mg l−1 para Ni2+.
En estas condiciones óptimas, se logró una producción de hidrógeno de 60.8 moles, lo cual fue un 8% superior a lo observado en el experimento de cribado.
Otro ejemplo de desechos en biorreactores relacionado con la protección ambiental y la optimización es la fijación de CO2 por un microorganismo quimioautótrofo utilizando un diseño factorial experimental. Se realizó un análisis estadístico para predecir los niveles de cuatro factores: concentración de H2, O2, CO2 y pH, necesarios para obtener condiciones óptimas de cultivo.
Para el diseño factorial fraccionado (FFD) llevado a cabo en tres niveles, se realizaron 27 experimentos por combinación en un fermentador de 5 litros, y se trazaron superficies de respuesta tridimensionales para determinar el nivel óptimo de cada factor para la máxima fijación de CO2.
Se predijo que el peso seco celular obtenido en la condición de cultivo optimizada sería de 11.4 g l−1 después de 48 horas a 37.5 × 10−3 mol min−1 de H2, 9.4 × 10−3 mol min−1 de O2 y 4.9 × 10−3 mol min−1 de CO2 a pH 6.7.
En comparación con la tasa de fijación de CO2 antes de optimizar las condiciones de cultivo, se confirmó experimentalmente la mejora de la tasa de fijación de CO2 bajo las condiciones de cultivo optimizadas.
Existen muchos ejemplos en los que el procesamiento de alimentos fermentados también puede beneficiarse del Diseño de Experimentos (DoE).
En la fabricación de productos lácteos, el objetivo de producción es la calidad del producto, que es el resultado de las condiciones de fermentación.
Los métodos modernos de fabricación dependen de cultivos de producción y procedimientos donde la optimización es un requisito.
Por ejemplo, las bifidobacterias se utilizan como probióticos principalmente en suspensiones celulares o como aditivos liofilizados.
Para optimizar el cultivo, se utilizó un diseño factorial fraccionado (FFD) para determinar los parámetros críticos que influyen en el cultivo en biorreactores de la cepa *Bifidobacterium longum*.
Se encontró que las concentraciones de glucosa, extracto de levadura y cisteína eran críticas para el cultivo de esta cepa.
Las concentraciones de glucosa y extracto de levadura se optimizaron aún más junto con la temperatura en un diseño compuesto central (CCD) de tres factores (40 °C, 35 g l−1 de extracto de levadura y 20 g l−1 de glucosa).
También se estudió la liofilización de suspensiones celulares congeladas de *B. longum* utilizando DoE, lo que resultó en un gradiente de temperatura optimizado de −10 a 0 °C, un gradiente de temperatura de 10 horas de 0 a +10 °C y una estabilización de la temperatura de 12 horas a +10 °C.
La programación de la temperatura redujo los tiempos de secado en más del 50% y mejoró la actividad del producto en más del 160%.
Otro ejemplo relacionado con alimentos es la producción de manitol a partir de un proceso de fermentación de *Lactobacillus*.
Se evaluaron los efectos de cuatro nutrientes salinos (citrato de amonio, fosfato de sodio, sulfato de magnesio y sulfato de manganeso) sobre la producción de manitol por *L. intermedius* en un medio simplificado que contenía 300 g de fructosa, 5 g de peptona de soya y 50 g de licor de maíz por litro en una fermentación controlada a pH (5.0) a 37 °C, utilizando un diseño factorial fraccionado (FFD).
Se encontró que solo el sulfato de manganeso era esencial para la producción de manitol. Se determinó que una concentración de sulfato de manganeso de 0.033 g l−1 apoyaba la producción máxima. La bacteria produjo 201 g de manitol, 62 g de ácido láctico y 40 g de ácido acético a partir de 300 g de fructosa por litro en 67 horas.
Un paso innovador hacia la aceleración de la optimización de medios mediante el Diseño de Experimentos (DoE) fue dado por Deshpande y colaboradores.
Utilizaron una placa de microtitulación con medición en línea de oxígeno disuelto para la optimización de un cultivo de células de ovario de hámster chino en un medio de cultivo con factores seleccionados.
Mediante un balance dinámico de masa en fase líquida, se calcularon las tasas de consumo de oxígeno a partir del nivel de oxígeno disuelto, lo que se utilizó para indicar la viabilidad celular.
Usando un diseño factorial completo con CCF, se pudo identificar y determinar la composición óptima del medio para glucosa, glutamina y sales inorgánicas en un solo experimento con placa de microtitulación.
Se encontró que la concentración de sales inorgánicas tenía la influencia más significativa en el cultivo. El método parece tener un buen potencial para la optimización de medios de cultivo celular.
Recientemente, se han desarrollado protocolos elaborados de Diseño de Experimentos (DoE) para placas de 96 pocillos. Al aplicar estos protocolos racionales para el diseño experimental, la optimización puede hacerse de manera más eficiente y menos laboriosa.
La técnica también se puede aplicar a formatos más grandes, como placas de 384 y 1536 pocillos.
Optimización en biorreactores del medio para producción de células
El objetivo de la optimización en biorreactores del medio también puede ser la producción de las células per se. La producción de materiales celulares a partir de colecciones de líneas celulares para fines de terapia celular son ejemplos de productos. Esto incluye el creciente interés por las células madre y sus células derivadas. Estas aplicaciones pueden aprovechar considerablemente la metodología DoE.
Así, la optimización de los medios de cultivo celular utilizando la metodología de diseño experimental es un enfoque atractivo para mejorar la eficiencia en el cultivo. Dong et al. aplicaron la metodología para refinar la composición de un medio de cultivo establecido para el crecimiento de la línea celular de hepatoma humano C3A. La selección de componentes nutritivos y factores de crecimiento se evaluó sistemáticamente según los procedimientos estándar de DoE. Los resultados del cribado de biorreactores indicaron que el factor de crecimiento de hepatocitos, la oncostatina M y el factor de crecimiento de fibroblastos-4 influyeron significativamente en las actividades metabólicas de la línea celular C3A. RSM reveló que los niveles óptimos para estos factores fueron 30 ng/ml de factor de crecimiento de hepatocitos y 35 ng/ml de oncostatina M. Experimentos adicionales en cultivos de hepatocitos humanos primarios mostraron una alta variabilidad en las actividades metabólicas entre células de diferentes individuos, lo que dificultó la determinación de niveles óptimos de factores. Sin embargo, fue posible concluir que el factor de crecimiento de hepatocitos, el factor de crecimiento epidérmico y la oncostatina M tuvieron efectos decisivos en las funciones metabólicas de los hepatocitos humanos primarios.
Se ha prestado mucha atención a los medios para la diferenciación y proliferación de células madre embrionarias. El hecho de que los medios de cultivo para la expansión de células madre contengan sustancias no definidas hace que la tarea sea exigente. Considerando el potencial para el trabajo clínico futuro con tales células, el uso de medios más bien definidos es altamente deseable. Por lo tanto, Knöespel et al., investigaron la composición detallada de un medio de cultivo químicamente definido sin suero para la expansión eficiente de células madre embrionarias de ratón (mESC). Comenzaron su estudio con un medio estándar sin suero con 11 factores adicionales (carnosina, cisteína, componentes C1, transferrina, suplemento de transferrina, factor de inhibición de la leucemia, insulina, BMP4, CaCl2, ZnSO4 y lípidos). El crecimiento de las células madre estuvo fuertemente influenciado por el equilibrio de los componentes del medio. El cribado utilizando un diseño de Plackett–Burman mostró que la insulina y el factor de inhibición de la leucemia tenían una influencia positiva significativa en la actividad proliferativa de las células, mientras que el zinc y la l-cisteína reducían el crecimiento celular. Una mayor optimización utilizando un diseño de «resolución mínima de carrera IV» mostró que el factor de inhibición de la leucemia era el principal factor para la supervivencia y proliferación de las células. Por lo tanto, los ensayos de cribado DoE son aplicables para desarrollar y refinar los medios de cultivo para células madre y también podrían emplearse para optimizar los medios de cultivo para células madre.
Se han llevado a cabo varios estudios de DoE sobre la diferenciación de células hematopoyéticas. Un ejemplo es la optimización de la eritropoyesis a partir de células de sangre de cordón umbilical humana (CD34+) hacia glóbulos rojos. Siete citoquinas (interleucina-3, interleucina-6, factor de células madre, eritropoyetina, factor estimulante de colonias, trombopoyetina y ligando Flt3) conocidas por afectar la maduración de producción de células rojas en humanos fueron seleccionadas para el cribado con un protocolo DoE. Se encontró que el factor de células madre (SCF) y la eritropoyetina (EPO) eran los factores más significativos en la producción de células rojas. La metodología ayudó a definir las características de diferenciación e interacciones de los factores SCF y EPO en la expansión total de células y la maduración de células de sangre de cordón umbilical hacia la línea eritroide, y delineó las concentraciones óptimas in vitro de cada citoquina (75 ng/ml y 4.5 unidades/ml, respectivamente). El cóctel de citoquinas optimizado aumentó 26,460 veces la expansión total de células y aceleró la maduración eritroide, obteniendo una pureza considerable de las células diferenciadas (más del 90% de células que expresan glicoforina-A). El uso de DoE se consideró efectivo y eficiente para el análisis, caracterización y optimización de la eritropoyesis in vitro y proporcionó una plataforma sistemática para el uso de otros factores de crecimiento para la expansión in vitro de productos celulares.
Además, Panuganti et al. aplicaron un diseño para la producción de células de fracciones factoriales completas (FFD) con células madre y progenitoras hematopoyéticas cultivadas con una variedad de citoquinas (por ejemplo, interleucina-3, interleucina-6, interleucina-9, factor de células madre de alta o baja dosis, junto con trombopoyetina e interleucina-11) para promover la diferenciación en células megacariocíticas, los precursores de las plaquetas. El estudio demostró que un proceso de cultivo de tres fases con aumento de pH y pO2 y diferentes cócteles de citoquinas incrementa enormemente la producción de megacariocitos. Por lo tanto, este estudio muestra claramente los beneficios de desentrañar la complejidad del proceso de diferenciación de células madre mediante DoE.
Optimización de Medios de Cultivo Celular para la Producción Máxima de Proteínas
La industria biotecnológica depende en gran medida de cultivos celulares de mamíferos para producir productos esenciales como anticuerpos y enzimas. Estos cultivos requieren una receta específica, o medio, para prosperar y producir las proteínas deseadas. Tradicionalmente, descubrir la composición óptima del medio era un proceso lento de prueba y error. Sin embargo, un nuevo enfoque llamado Diseño de Experimentos (DoE) está cambiando el juego.
DoE es un método estadístico que ayuda a los investigadores a planificar estratégicamente experimentos para optimizar múltiples factores simultáneamente. Esto es particularmente útil para formulaciones de medios complejos utilizados en cultivos celulares de mamíferos, que a menudo contienen muchos ingredientes.
Por qué el DoE es Perfecto para la Optimización de Medios de Cultivo Celular
- Interacciones Complejas: A diferencia de los cultivos microbianos más simples, los medios para células de mamíferos tienen muchos ingredientes que interactúan entre sí. DoE nos ayuda a comprender estas interacciones e identificar los componentes más influyentes.
- Maximizar el Rendimiento: El objetivo suele ser maximizar la producción de proteínas. DoE permite a los investigadores identificar eficientemente la combinación ideal de nutrientes para la productividad máxima de las células.
DoE en Acción: Un Estudio de Caso con Anticuerpos Monoclonales
Los anticuerpos monoclonales son un ejemplo primordial de proteínas producidas en cultivos celulares de mamíferos. Los investigadores Sen y Roy-Choudhury utilizaron DoE para optimizar el medio para una línea celular hibridoma que produce un anticuerpo específico.
- Paso 1: Identificación de los Elementos Clave: Comenzaron probando una gran cantidad de componentes del medio para identificar los más críticos para la producción de anticuerpos. Esta selección identificó siete ingredientes clave, incluyendo glucosa, suero y aminoácidos específicos.
- Paso 2: Encontrar el Equilibrio Perfecto: Luego se utilizaron técnicas de DoE para determinar la concentración óptima de cada uno de estos siete componentes. ¿El resultado? Un medio de cultivo que más que duplicó tanto la cantidad como la productividad específica del anticuerpo deseado en comparación con la receta original.
DoE para la Optimización de Alto Rendimiento
Otro estudio realizado por Rouiller et al. demuestra el poder del DoE para la optimización de medios a gran escala. Utilizaron un enfoque de alto rendimiento para mejorar un medio para producir proteínas terapéuticas en células de ovario de hámster chino (CHO).
- Pruebas de Cientos de Combinaciones: Crearon cientos de mezclas de medios variando la concentración de 43 componentes diferentes. Estas mezclas se probaron en un solo experimento para identificar las combinaciones más efectivas.
- Potencia de Análisis de Datos: Se utilizaron métodos estadísticos avanzados para analizar la gran cantidad de datos generados. Esto ayudó a identificar los factores clave que influyen en la producción de proteínas y, en última instancia, condujo a una formulación de medio significativamente mejorada.
El Futuro del DoE en el Diseño de Medios de Cultivo Celular
El DoE está convirtiéndose rápidamente en una herramienta esencial para optimizar los medios de cultivo celular en la industria biotecnológica. Su capacidad para manejar interacciones complejas e identificar factores clave está llevando al desarrollo más rápido de formulaciones de medios eficientes, acelerando así la producción de proteínas que salvan vidas.
El DoE ofrece un enfoque poderoso para optimizar los medios de cultivo celular, lo que conduce al desarrollo más rápido de formulaciones de medios eficientes para la producción de proteínas en la industria biotecnológica.
Optimización de Cultivos Microbianos para una Producción Máxima
Cultivos Microbianos Para Producción son una potencia para producir una amplia gama de productos, desde biocombustibles hasta enzimas.
Pero para aprovechar al máximo estas pequeñas fábricas, necesitamos optimizar su entorno: el medio de cultivo.
Esta publicación de blog se adentra en el mundo de la optimización de medios y cómo puede aumentar significativamente la producción microbiana.
Metabolitos Primarios: Impulsando el Crecimiento y Más Allá
Una clase de productos microbianos son los metabolitos primarios, esenciales para su crecimiento y supervivencia.
Pero algunos microbios pueden ser superestrellas, produciendo grandes cantidades de estos metabolitos para nuestro beneficio.
La optimización del medio juega un papel crucial en este proceso.
Por ejemplo, la producción de alcoholes mixtos por una cepa de Clostridium.
Aquí, el Diseño de Experimentos (DoE) ayudó a diseñar un medio específicamente para este propósito. El glicerol fue la fuente de carbono elegida, complementada con otros componentes clave identificados mediante un cribado de un factor a la vez.
Un diseño modificado de Taguchi ajustó entonces las concentraciones de estos componentes, llevando a una composición de medio óptima.
¡Este medio optimizado condujo a una impresionante producción de 17.7 g/L de alcoholes mixtos en un biorreactor, superando las predicciones del modelo!
Metabolitos Secundarios: Revelando un Potencial Oculto
Los cultivos microbianos para producción también pueden producir una amplia gama de metabolitos secundarios, a menudo con propiedades únicas.
El rhamnolípido, un biosurfactante producido por Pseudomonas aeruginosa, es un ejemplo.
Usando DoE, los investigadores examinaron varias respuestas, incluida la reducción de la tensión superficial y la actividad de emulsificación.
¡El medio no optimizado produjo apenas 0.3 mg/mL de rhamnolípido, pero la optimización del medio utilizando DoE llevó a un aumento notable de 15 veces! Esto destaca el inmenso potencial de la optimización del medio para desbloquear tesoros ocultos de los microbios.
Proteínas: Los Caballos de Batalla de la Biotecnología
Los cultivos microbianos también son campeones en la producción de proteínas, incluidas valiosas proteínas recombinantes.
Un estudio exploró la influencia de la composición del medio en la producción de lisozima por Aspergillus niger. Factores como el almidón, la peptona y el sulfato de amonio fueron identificados como críticos.
A través de una combinación de técnicas de optimización, se formuló una composición de medio que resultó en un rendimiento de lisozima de 209 g/L, muy cerca del máximo teórico.
Más Allá de lo Básico: Ajustando Fino la Maquinaria Celular
La optimización del medio puede ir más allá de simplemente aumentar la producción.
Por ejemplo, los investigadores utilizaron un experimento de diseño factorial completo para optimizar el patrón de glicosilación de una proteína producida por Pichia pastoris.
Aunque lograron la glicosilación máxima, esto se logró a expensas de la producción total de proteínas. Esto muestra el potencial de la optimización del medio para ajustar finamente la maquinaria celular para objetivos específicos.
La optimización del medio es una herramienta poderosa para desbloquear todo el potencial de los cultivos microbianos.
Desde metabolitos primarios hasta proteínas complejas, optimizar el medio puede aumentar significativamente la producción, mejorar la calidad del producto e incluso influir en funciones celulares específicas.
A medida que la investigación en esta área continúa, podemos esperar aún más descubrimientos y aplicaciones emocionantes del fascinante mundo de los microbios.
Diseño de experimentos y biorreactores (DoE)
Muy a menudo, las aplicaciones de diseño de experimentos y biorreactores se extienden más allá del simple diseño y optimización de los medios, por ejemplo, cuando se incluyen otros factores como variables del proceso físico (por ejemplo, agitación y temperatura).
Objetivo principal
El objetivo típico en la mayoría de los ejemplos es identificar una mejor selección y composición cuantitativa de los componentes del medio para maximizar la producción y la economía del proceso.
Esto se hace principalmente utilizando el título del producto, la concentración final, el rendimiento o la productividad como respuesta de DoE en el diseño.
Aún así, una métrica de respuesta aún mejor podría ser el costo del medio de producción por volumen de producto objetivo, u otras combinaciones de parámetros de costos en el proceso de producción, como el efecto en el costo de separación y purificación, el costo de mano de obra versus la cantidad de producto objetivo, etc.
Énfasis Actual en la Literatura
Sin embargo, hasta ahora, los informes que aparecen en la literatura actual se han centrado en la mayoría de los casos en el rendimiento y la productividad del producto objetivo.
Medios para la producción de metabolitos y proteínas en cultivos microbianos
La producción de metabolitos y proteínas en un cultivo de biorreactor microbiano son las aplicaciones más típicas de diseño de experimentos y biorreactores.
Los objetivos de estos procesos coinciden con el objetivo general descrito anteriormente.
Ejemplo: Producción de Ácido Clavulánico
Debido al uso amplio y a largo plazo, así como a los márgenes ajustados de costos de producción, muchos de los ejemplos de DoE informados en la literatura involucran la parte de fermentación en la fabricación de antibióticos.
Un ejemplo típico es la producción del ácido clavulánico antibiótico a partir de Streptomyces clavuligerus.
En un estudio de DoE de 2005 realizado por Wang et al., la composición del medio se optimizó primero mediante el cribado de una variedad de ingredientes del medio en un FFD de dos niveles de Plackett-Burman (2n), al que posteriormente siguió la determinación de los niveles óptimos de los componentes del medio seleccionados por RSM.
En el cribado inicial mediante experimentos FFD, se identificó la harina de soja en polvo, FeSO4⋅7H2O y la ornitina como los factores más influyentes, mientras que el fosfato de potasio y el fosfato de magnesio no lo fueron, en términos del rendimiento de ácido clavulánico.
Determinación de Niveles Óptimos de Componentes del Medio Seleccionados por RSM
En el modelo RSM en biorreactores utilizado posteriormente basado en un diseño CCC, se determinaron las concentraciones óptimas de estos tres factores para el mayor rendimiento de ácido clavulánico (la concentración óptima de harina de soja en polvo se determinó como 38,10 g l − 1, FeSO4⋅7H2O como 0,395 g l − 1 y ornitina como 1,18 g l − 1.
El factor de correlación fue de 0,98 y el coeficiente de variación fue del 6,6%. Al ejecutar la fermentación antibiótica con estos ajustes en un lote de 72 h, el rendimiento del producto aumentó en un 50%.
Por lo tanto, simplemente utilizando el protocolo DoE estándar como se describió anteriormente, se logró una mejora profunda de la productividad de la producción.
El costo de I + D para lograr este resultado se puede estimar como muy bajo en comparación con su efecto.
Por supuesto, una nueva composición de medio de producción requerirá una mayor verificación, ampliación y validación adicional seguida de esfuerzos regulatorios debido a los requisitos para los medicamentos farmacéuticos.
Comparación de métodos DoE para la optimización de la producción en biorreactores
En el siguiente texto, se hace referencia a una serie de métodos comunes de diseño DoE, como los métodos de Plackett-Burman, Taguchi, Box-Behnken y Box-Wilson. Estos cuatro diseños se explican brevemente a continuación; sin embargo, en la práctica habitual también se aplican otros enfoques de diseño similares o equivalentes.
Método de Plackett-Burman
Descripción
Este método se refiere al trabajo original de 1946 de Plackett y Burman, donde presentaron diseños experimentales para investigar la dependencia de la cantidad medida en un número de variables o factores independientes. En este trabajo, describen los diseños factoriales de dos niveles donde el número de experimentos es un múltiplo de 4. Discuten en particular los principios básicos de DoE donde se prueban L niveles en un número limitado de experimentos para minimizar la varianza de las estimaciones de estas dependencias. Sin embargo, las interacciones entre los factores se consideraron insignificantes.
Solución
La solución a este problema es encontrar un diseño experimental donde cada combinación de niveles para cualquier par de factores aparezca el mismo número de veces, a lo largo de todas las corridas experimentales. Un diseño factorial completo cumpliría con este criterio, pero la idea es encontrar diseños más pequeños.
Comparación de métodos DoE para la optimización de la producción en biorreactores
Aqui se presenta una comparación de métodos DoE para la optimización de la producción en biorreactores. Es importante seleccionar el método DoE adecuado en función de los objetivos específicos del estudio y de las limitaciones experimentales.
Método de Taguchi
Descripción
El método es similar al método de Plackett-Burman en su versión básica y propone varios enfoques para diseños experimentales que utilizan FFD de dos, tres y niveles mixtos. El método Taguchi se describe ocasionalmente en la literatura como un método de control de calidad porque ese era el propósito original del método. En algunos casos, el método se puede utilizar en línea mientras se ejecuta el proceso. Taguchi ha publicado varias guías para aplicar los métodos de diseño.
Aplicaciones
Este método se utiliza en una amplia gama de industrias, incluyendo la fabricación, la electrónica y la industria alimentaria.
Comparación de métodos DoE para la optimización de la producción en biorreactores
El método Taguchi ofrece una serie de ventajas sobre otros métodos DoE, incluyendo su simplicidad, eficiencia y robustez. Sin embargo, también tiene algunas limitaciones, como su incapacidad para modelar interacciones complejas entre factores.
Método de Box-Wilson
Descripción
Éste es en principio equivalente a un CCD común como se describió anteriormente. El método de Box-Wilson investiga el impacto de las variables experimentales en la salida de respuesta que utilizan CCD para utilizar un diseño de superficie de respuesta, que se elige comúnmente para la optimización de la respuesta. Box y Wilson sugirieron el uso de un modelo polinomial de segundo grado.
Aplicaciones
Este método se utiliza en una amplia gama de aplicaciones, incluyendo la química, la ingeniería y la ciencia de los materiales.
Comparación de métodos DoE para la optimización de la producción en biorreactores
El método Box-Wilson es una poderosa herramienta para la optimización de procesos complejos. Sin embargo, puede ser computacionalmente intensivo y requerir un gran número de experimentos.
Método de Box-Behnken
Descripción
Se refiere a los diseños experimentales para RSM descritos por Box y Behnken. En el método, cada factor se coloca en uno de tres valores igualmente espaciados, generalmente codificados como -1, 0, +1. El diseño también debe ser suficiente para ajustar un modelo cuadrático. La relación entre el número de puntos experimentales y el número de coeficientes en el modelo cuadrático debe ser razonable. La varianza de estimación debería depender más o menos solo de la distancia del centro y no debería variar demasiado dentro del cubo más pequeño que contiene los puntos experimentales. Los diseños de Box-Behnken se consideran eficientes en cuanto a la cantidad de experimentos necesarios.
Aplicaciones
Este método se utiliza en una amplia gama de aplicaciones, incluyendo la química, la ingeniería y la ciencia de los materiales.
Comparación de métodos DoE para la optimización de la producción en biorreactores
Los diseños Box-Behnken son una opción eficiente para la optimización de procesos con un número moderado de factores. Sin embargo, no son tan eficientes como los diseños factoriales completos
Método DoE | Descripción | Utilidad |
Diseño de Plackett-Burman | Diseños fraccionarios de dos niveles para estudiar k=N-1 variables en N corridas, donde N es un múltiplo de 4. Los diseños de mayor número de N son diseños no geométricos. Los niveles se presentan a menudo como (+) y (-), y los valores se varían sistemáticamente en un plan experimental. Los diseños P-B se llevan a cabo típicamente como diseños de Resolución III o IV (2k-P, 21k-P). | Los diseños P-B de resolución III y IV se aplican comúnmente cuando se criban un gran número de componentes de medios (ver detalles en las Tablas 15.2-15.5). En particular, cuando el medio contiene >20 componentes, la reducción de la resolución ahorra mucho trabajo. |
Diseño de Taguchi | Una alternativa similar al diseño PB basada en tablas con nivel (1) y nivel (2). Los diseños simples de Taguchi son muy similares a los diseños PB, pero también podrían extenderse a más niveles. | Los diseños de Taguchi, siendo comúnmente aplicados en el control de calidad industrial, son preferidos en el diseño de medios. Debido a su adaptación a muchos parámetros de calidad, también es muy útil en el diseño de medios de cultivo con muchos componentes. |
Diseño de Box-Behnken | Diseños de tres niveles para su uso con superficies de respuesta. Los diseños BB se forman combinando factoriales de 2k con diseños de bloques. | Los diseños BB permiten reducir el número de experimentos. Como el diseño de medios podría beneficiarse de las pruebas a más de dos niveles de concentración, esto es muy útil. |
Diseño de Box-Wilson | Un diseño equivalente con un CCD común como se describió anteriormente con puntos centrales que se aumentan con un grupo de «puntos estrella» que permite la estimación de la curvatura. |
Evaluación del Diseño Experimental en biorreactores.
En la una evaluación del diseño experimental en biorreactores vez que los experimentos han sido llevados a cabo de acuerdo al plan de diseño experimental y los resultados de las variables de respuesta han sido compilados, se utiliza la regresión lineal múltiple (MLR, por sus siglas en inglés).
El propósito de la MLR es evaluar si el espacio experimental ha sido diseñado de manera ortogonal y si permanece igual después de que los experimentos han sido realizados.
En la MLR, el modelo matemático describe una relación entre una o más variables independientes y una variable de respuesta como Yi = 𝛽0 + 𝛽1Xi1 + 𝛽2Xi2 + · · · + 𝛽p Xip + 𝜀i donde i = 1,2, … ,n.
Las interacciones más complejas debido a la covariación se describen mediante términos lineales o cuadráticos.
Sin embargo, los términos de interacción u otros términos complejos deben evaluarse para ver si ofrecen contribuciones aceptables al modelo en comparación con la incertidumbre de la contribución (relación señal-ruido).
En la evaluación del diseño experimental en biorreactores de la contribución de cada coeficiente y la posterior optimización del modelo, el objetivo es reducir el factor de desviación del modelo 𝜀i.
Al caracterizar una superficie de respuesta, los términos de covariación describen su asimetría, mientras que los términos cuadráticos describen su curvatura.
En un diseño completo, debido al número de grados de libertad, es probable que los términos que describen la interacción y la curvatura puedan incluirse en el modelo MLR.
Al evaluar un FFD mediante MLR, es práctica común respaldar los términos lineales con un número limitado de términos complejos.
En un FFD, dichos términos a menudo están confundidos entre sí.
Si el diseño no es ortogonal, la regresión de mínimos cuadrados parciales (PLS) es una mejor alternativa.
Este método evaluación del diseño experimental en biorreactores también puede ser utilizado cuando hay varias respuestas correlacionadas en el conjunto de datos.
PLS puede proporcionar entonces un método de evaluación más robusto que es útil incluso si hay un número limitado de datos faltantes en la matriz de respuesta.
Las evaluaciones del modelo en las aplicaciones de diseño en los medios discutidas o citadas a continuación son en su mayoría ejemplos de estos procedimientos analíticos.
Para un caso con cinco factores, necesitamos ya sea 16 (25−1) o 8 (25−2) factores en los experimentos.
El último diseño se utiliza principalmente en pruebas de robustez, donde se prueba la sensibilidad de la variación de la variable de respuesta en un conjunto reducido de experimentos alrededor de un óptimo de la variable de respuesta.
La variación de las variables generalmente se realiza en pasos muy pequeños alrededor de un campo específico de interés, como una composición preferida de un medio de cultivo, para evaluar la estabilidad del proceso.
Comúnmente, el modelo se valida mediante dos residuos diagnósticos.
El primero de estos, el valor R2, es la fracción de la variación de las respuestas que puede ser explicada por el modelo.
Esto describe la bondad de ajuste, o qué tan bien pueden ser reproducidas las ejecuciones actuales en un modelo matemático.
El otro residuo, el valor Q2, es la fracción de la variación de la respuesta predicha por el modelo según la validación cruzada.
Esto describe la bondad de predicción, o qué tan bien pueden predecirse nuevos experimentos utilizando el modelo matemático.
Las pruebas de R2 y Q2 a veces son descuidadas, lo que desafortunadamente reduce la posibilidad de apreciar completamente los resultados.
Los valores típicos que indican una buena calidad de robustez son R2 > 0.75 y Q2 > 0.75. Los valores inferiores a 0.25 normalmente se considerarían inútiles.