Sistema de control basado en machine learning para cultivo celular en modo fed-batch considerando datos de un modelo cinético para el metabolismo central de carbono

Abstract

En los últimos años la industria a nivel global ha presentado innovación en términos de la implementación de tecnologías basadas en la Industria 4.0., incluyendo la inteligencia artificial y machine learning. Debido a lo anterior, la industria de bioprocesos ha presentado interés en la automatización de sus procesos, donde el uso de machine learning puede contribuir. En el presente trabajo se implementan tecnologías basadas en machine learning como Support Vector Machine (SVM) para predecir la tasa de crecimiento de un cultivo celular (µ), para luego implementerla en un sistema de control y obtener la estrategia de alimentación. Los datos experimentales fueron generados a partir de un modelo para células CHO disponible en literatura con el cual se puede simular diferentes escenarios para entrenar al predictor considerando diferentes intervalos de medición para asemejar la toma de datos experimentales. Los predictores diseñados presentan curvas y valores similares, obteniendo predicciones con un error cuadrático medio del orden de 1e−6 y coeficientes de correlación de 0.99 a partir de los conjuntos de datos proporcionados. Presentando mejores resultados para el caso en que se consideran variables como la glucosa, glutamina, lactato y amoniaco. La utilización de un controlador proporcional permite obtener un buen control del sistema, sin ser necesario emplear otros controladores de la familia PID. Por otro lado, casi todas las estrategias de alimentación obtenidas a partir del predictor, implementadas en el sistema permiten controlar la concentración de glucosa en un rango cercano al set point (11±1 mM) durante las primeras 120 horas del cultivo. Finalmente, se concluye que es posible desarrollar un predictor basado en una herramienta de machine learning, utilizando datos experimentales con intervalos de tiempo de 4, 12 y 24 horas. Sin embargo, el desempeño del predictor podría verse mejorado utilizando datos con presencia de ruido o con información faltante, como podría ocurrir en un caso real.