《SLAS Technology》：Smart manufacturing for continuous downstream processing of monoclonal antibodies at the lab-scale
编辑推荐：
连续生物处理（continuous bioprocessing）已被证实能够高效放大用于生物治疗生产的单克隆抗体（monoclonal antibodies, mAbs）的生产规模。在实验室规模阶段集成工艺分析技术（process analytical tec
连续生物处理（continuous bioprocessing）已被证实能够高效放大用于生物治疗生产的单克隆抗体（monoclonal antibodies, mAbs）的生产规模。在实验室规模阶段集成工艺分析技术（process analytical technologies, PAT）可提高开发过程中结果的可靠性，并促进系统在放大过程中的转化。智能制造（Smart Manufacturing, SM）通过利用现代硬件、软件和技术，提供了一个在所有工艺规模实施工艺分析技术的框架。研究人员通过模块化和灵活的控制硬件、工业物联网（Industrial Internet-of-Things, IIoT）架构、可互操作的OPC-UA服务器，以及基于智能制造互操作性平台（Smart Manufacturing Interoperability Platform, SMIP）的云计算，成功演示了将遗留系统扩展和改造为实验室规模单克隆抗体连续下游处理（continuous downstream processing, CDSP）的智能制造系统。该系统由连接到一款操作和输入/输出能力有限的遗留控制设备的实验室规模设备组成。研究人员实施了一套新的硬件系统，该硬件在提供可扩展性、可重构性和可控性的同时，也与遗留设备实现了接口对接。蠕动泵、称重秤、一次性压力传感器和光学传感器被连接到边缘设备，这些设备桥接了用于过程监测和控制的硬件与软件。诸如连接多个供应商系统以及泵流量不一致等实验室规模实施和运行挑战得到了解决。研究人员在遗留设备上进行了基于水的泵流量控制测试，并已准备好部署到智能制造系统上。所使用的技术包括卡尔曼滤波器（Kalman Filter）、稳态数据协调（steady-state data reconciliation）以及基于秤测量的闭环控制（closed-loop control）。
论文解读文章：
单克隆抗体（monoclonal antibodies, mAbs）的生物治疗生产正从批次模式向连续模式转变，其中连续下游处理（continuous downstream processing, CDSP）能显著降低运营成本和资本支出，并提升产品质量一致性。然而，实验室规模的CDSP实施面临多重挑战：多供应商设备互操作困难、蠕动泵流量波动与漂移导致的不稳定性、传感器噪声影响实时监测精度、以及遗留控制器（如PendoTech NFFSS）有限的输入/输出能力限制了系统扩展。此外，控制器回路交互（尤其在包含回收流的洗涤模块）会诱发物料失衡，加剧膜污染风险。为突破这些瓶颈，研究人员提出将智能制造（Smart Manufacturing, SM）框架融入实验室规模CDSP，通过集成工艺分析技术（process analytical technologies, PAT）、工业物联网（Industrial Internet-of-Things, IIoT）架构和先进控制算法，提高过程可靠性和可放大性。本研究由Rensselaer Polytechnic Institute的研究团队完成，论文发表在《SLAS Technology》。
研究人员基于一套基于沉淀的连续捕获纯化系统，开展了向智能制造系统的改造与验证。主要关键技术方法（不超过250字）：硬件层面采用RedLion FlexEdge
?边缘设备作为核心控制器，连接蠕动泵（Masterflex
?）、称重秤（Ohaus Pioneer
? PX）、一次性压力传感器（PendoTECH）和光学探头（BlazeMetrics Blaze900）；软件层面通过OPC-UA客户端-服务器架构实现多系统数据汇集，利用MATLAB控制脚本、Python中间件和Crimson软件构建人机界面（HMI），并通过SMIP实现云计算。核心算法包括：卡尔曼滤波器（Kalman Filter, KF）基于体积测量实时估计流量，稳态数据协调（Data Reconciliation, DR）强制物料平衡，以及基于IMC调优的PI控制器进行闭环流量控制。所有验证基于水实验，以排除生物复杂性。
研究结果：
3.1 自动化硬件（Automation hardware）：通过部署RedLion FlexEdge硬件并开发Crimson中的HMI界面，研究人员实现了对多厂商设备（泵、秤、传感器）的集中监控与宏操作（如启动洗涤段、通量步进），证明了该IIoT架构的可扩展性和可重构性。该硬件成功兼容遗留设备，为系统性控制和未来复杂策略（如模型预测控制（Model Predictive Control, MPC））奠定了物理基础。结论：该模块化边缘设备架构有效解决了遗留系统I/O限制，降低了实验室自动化入门的物理门槛。
3.2 泵控制（Pump control）：通过水实验下的多泵闭环控制测试，研究人员验证了KF、DR和PI控制器集成性能。初始实验中，泵之间（尤其P2、P3、P4）存在控制器回路交互导致振荡；通过引入比例约束（F3 = K·F6, K=1），将独立控制自由度从4降至3，显著降低了交互并提升了稳定性。数据协调结果使所有流股（F1-F10）满足稳态物料平衡，尽管F1和F2因泵校准偏差和密度假设存在微小恒定偏移，但整体系统稳定性良好。结论：KF降噪、DR平衡与PI调节的组合策略能有效处理传感器噪声、泵波动和控制器交互，为后续mAb实验提供可靠基础。
讨论部分总结：研究人员指出，该平台通过硬件模块化和软件OPC-UA架构实现了低成本、易复制的实验室自动化方案，并公开了Git仓库中的示例代码以降低技术门槛。泵控制中观测到的偏移可通过改进传感器校准和动态数据协调消除；水实验作为关键验证阶段避免了mAb材料的浪费。从SM视角看，该工作证明现代硬件-软件集成能提升实验室过程的再现性、鲁棒性与可放大性，符合Industry 4.0原则。
研究结论：研究人员总结道，通过边缘设备、OPC-UA服务器、MATLAB控制脚本和HMI，实现了平台连续数据监控与控制的放大；利用闭环控制和数据协调解决了蠕动泵流量不一致及读数有限的问题；从遗留设备到智能制造的过渡通过将NFFSS集成到新RedLion系统得到验证。该自动化实施为工艺研究开发实验室提供了一个可访问且有效的复制范例，所用软硬件具有灵活性，支持多种实验设置。未来工作将扩展至实际mAb沉淀和过滤系统，探索动态数据协调和模型预测控制，以处理聚集、污染等动态效应，并集成更多传感器（如溅液传感器、摄像头）和改善云端监控，推动全自动连续生物制造。
