生物加工过程：人工智能时代的智能生物制造

人工智能时代的智能生物制造-生物过程控制

生物过程的多参数在线检测及多尺度理论过程深度学习的基础是广泛大量的在线数据，笔者所在的国家生化工程技术研究中心( 上海) 研究团队，经过几十年的积累，形成了一套基于在线多参数检测系统的过程多参数相关性分析技术及多尺度微生物过程优化理论。

生物反应器中进行的生物过程存在两个不同尺度上的复杂性，第一个是细胞尺度上细胞对外界环境响应的复杂代谢特性; 第二个是反应器内处于湍流状态流动的复杂性，包括混合、传质、传热等的复杂传递特性。总结来说，细胞反应过程是在基因表达、细胞代谢、反应器操作等多个尺度

下多输入、多输出的复杂系统

。

生物反应器中进行的生物过程涉及的变量可归纳，如图所示。图中展示的变量可分成两类: 一类为操作变量、一类为状态变量，也可分为细胞生理特性变量和环境变量。生物过程放大的困难

就来自于这些变量之间复杂的非线性关系，而机器学习可以从复杂的非线性关系中发现规律，从而有可能成为解决过程优化放大的有效工具。在生物过程优化与放大中实施多尺度研究方法包括五个关键步骤: ①系统简化②数据采集，系统 收 集 过 程 变 量 数 据。③数据驱动型研究。 ④子过程分析。⑤各子过程之间量化关系及跨尺度观察。经过以上5 个关键步骤可实现基于细胞代谢流分析与控制为核心的多尺度研究方法。其中，提到数据采集系统及数据驱动型研究即是基于过程大数据的人工智能研究的雏形。实施生物过程参数的在线检测与在线参数的获取是实现生物过程大数据的前提。笔者所在课题组在此方面进行了大量研究与积累在生物反应器上实现了除溶氧( DO) 、pH、温度、压力和液位等常规参数外的多个参数的在线测量，开发了在线活

细胞传感器［34］、在线红外检测［35］、在线电子鼻［36］ 和在线尾气质谱［37］等多种可用于生物反应器在线检测的仪器设备，实现了实时在线细胞量、在线尾气O2、尾气CO2、挥发性中间代谢物浓度及在线葡萄糖浓度等多种参数的在线实时采集。基于这些实时在线采集的参数进行了多

个产品的发酵过程优化与放大［38］。在实施生物过程多尺度优化技术的过程中，逐渐意识到生物过程的数据，尤其是在线数据中含有过程中最大量的信息，对这些数据进行分析整理对生物过程的优化放大具有十分重要的意义。通过大量在线检测设备的应用，逐渐形成了不同生物过程的在线大数据系统，如何开发并利用这一宝贵资源变得十分迫切和重要的意义。通过大量在线检测设备的应用，逐渐形成了不同生物过程的在线大数据系统，如何开发并利用这一宝贵资源变得十分迫切和重要。