《Frontiers in Bioengineering and Biotechnology》：Industry-defined opportunities for advancing big data capabilities in biopharmaceutical manufacturing
编辑推荐：
生物制药是生物技术的原生产物，是美国战略领导地位日益关注的领域。生物制药的发现、开发和生产产生大量数据，这些数据随后出于商业和监管目的进行管理和保存。根据资源基础观（RBV）管理框架，数据是一种资源，当与恰当的能力相结合时，是建立公司市场竞争优势的基础。获取、
生物制药是生物技术的原生产物，是美国战略领导地位日益关注的领域。生物制药的发现、开发和生产产生大量数据，这些数据随后出于商业和监管目的进行管理和保存。根据资源基础观（RBV）管理框架，数据是一种资源，当与恰当的能力相结合时，是建立公司市场竞争优势的基础。获取、分析、策展、存储并在整个生物制药制造生命周期中用于目标任务的大数据能力（Big Data Capabilities），是从大数据集合中实现商业价值的关键。本文描述了这些能力与生物制药制造近期进展的关系，以及这些能力能够帮助实现的收益。研究人员认为，发展共享能力既有利于个体企业——它们可以采用并调整这些能力以建立自己的战略和竞争优势——也有利于整个行业，通过共享知识和协作推进生物制药科学。本文源自美国国家生物制药制造创新研究所（NIIMBL）大数据项目收集的生物制药制造行业主题专家的大量材料。
1 引言
生物制药是利用重组DNA技术生产的治疗性产品，涵盖蛋白质、疫苗、细胞和基因治疗等模态。其制造过程涉及复杂工艺、设施、设备和供应链，产生大量数据。依据资源基础观（RBV）管理框架，数据作为组织资源，与大数据能力相结合能够构建企业的市场竞争优势。本文通过收集生物制药制造行业主题专家意见，结合欧盟Horizon Europe大数据价值链分析，提出了一个面向整个生物制药制造生命周期的大数据能力框架。该框架强调共享资源与能力的开发，使个体企业既能采纳并定制化以形成自身竞争优势，也能通过行业协作推动整体科学进步。
2 材料与方法
NIIMBL与Nexight Group联合召集来自工业界、学术界和政府的利益相关方，利用XLeap、Slido和Trello等工具收集行业专家对当前数据挑战和机遇的输入。2.1 2023年3月研讨会 包含超过130名代表参与的混合会议，通过头脑风暴、分组讨论和盲投等环节，归纳出优先能力清单。2.2 NIIMBL 2023年6月全国会议 将清单分享给约30名NIIMBL成员，通过Slido讨论和开放式交流验证能力的相关性、收益、障碍及克服方法。2.3 综合与分析 对所有输入进行归纳分类，映射到制造生命周期阶段和数据价值链，形成战略框架和优先项目基础。
3 生物制药制造生命周期
该生命周期由六个迭代阶段组成，各阶段在产品研发和商业化过程中反复调整。
3.1 工艺设计 涉及定义和记录可重复的生产步骤，以将活细胞转化为药物产品。趋势包括新模态（如工程化蛋白质）的出现和个性化医疗的需求，这要求充分利用基因组学、蛋白质组学数据来定制工艺。挑战包括数据采集和分析资源受限、数据标准化不足、预测模型需额外工作集成到控制软件，以及新型工艺的监管审批路径不明确。
3.2 技术转移 指将生产工艺所需全部知识和经验从发送方转移到接收方。趋势包括全球化合规要求和更多样化的产品模态。挑战包括数据格式不兼容、隐性知识难以编码和保留、数据共享担忧以及放大规模时的设备匹配问题。
3.3 设施与工程 涵盖工厂设计、建设、维护和改进。趋势是柔性制造（采用一次性系统）、适应全球监管和吸引人才。挑战包括自建与外包的决策、旧设施改造困难、税收法规对设备更新的抑制作用，以及不同系统间通信协议不兼容。
3.4 供应链 涉及从原材料采购到产品交付的全过程。趋势包括成本压力、个性化疗法的特殊物流要求以及更严格的标签和报告。挑战包括供应链可视性不足、数据格式不一致和缺乏标准化安全共享平台，以及库存管理效率低下。
3.5 生产运营 聚焦于按程序将物料转化为产品。趋势包括工业4.0/Pharma 4.0的采用、精益制造和连续制造，以及细胞和基因治疗带来的小批量个性化生产。挑战包括实时过程数据捕获不足、跨系统数据异质性、对人工干预的依赖和文件记录不完整。
3.6 质量运营 确保产品符合预定质量标准。趋势包括新模态中的质量测试复杂性、成本压力以及更严格的监管报告要求。挑战包括对关键质量属性（CQA）实时监测能力有限、手动偏差管理耗时、供应商材料质量变异性，以及自动化不完整和不同厂商设备间互操作性差。
3.7 生物制药制造生命周期中的收益 采用标准化数据格式可以实现先验知识评估、更有效的根本原因分析和更高质量的监管申报。实时监控和跨生命周期数据聚合支持预测模型、过程分析技术（PAT）和数字孪生，进而实现主动工艺控制和操作员培训。自动化数据采集减少了人为错误，知识管理将隐性知识显性化，增强了企业韧性。
4 大数据能力
文章确定了五项总体大数据能力，每项包含若干子能力。
4.1 数据结构与管理 是组织和存储数据以支持后续访问和使用的基础。子能力包括本体（Ontologies）、数据模式（Data schema）、整体数据集成（Holistic data integration）和知识管理（Knowledge management）。它们共同实现语义互操作性、自动化数据整合和跨域知识重用，但实施受传统系统和数据整合成本制约。
4.2 建模与仿真 利用虚拟表示模拟和评估复杂系统。子能力包括数字孪生（Digital twins）、计算机模拟工艺设计（In silico process design）、工艺诊断模型（Process diagnostic models）和数据驱动决策系统（Data-driven decision systems）。这些工具依赖于实时数据访问和高质量数据集，其应用受监管
