Fuente primaria Biotechnology Progress: Artificial intelligence and machine learning-assisted digital applications for biopharmaceutical manufacturing

Fuente primaria Engineering in Life Sciences: Digitalization concepts in academic bioprocess development
«Automatización de bioprocesos» no significa lo mismo en una planta de producción GMP que en un laboratorio de desarrollo. Este artículo se basa únicamente en dos revisiones en acceso abierto que cubren ambos extremos. La primera la firman Shyam Panjwani, Hao Wei y John Mason, del área de CMC and Technology de Bayer Pharmaceuticals en Berkeley. Se publicó en Biotechnology Progress el 10 de noviembre de 2025 y analiza los sistemas de datos y la IA/ML en la fabricación biofarmacéutica. La segunda, de Tessa Habich y Sascha Beutel, del Institute of Technical Chemistry de la Leibniz University Hannover, apareció en Engineering in Life Sciences el 9 de febrero de 2024 y estudia cómo conectan equipos y datos los laboratorios de desarrollo de bioprocesos. Ninguna de las dos es una encuesta a plantas, así que lo que sigue es lo que describen las revisiones, no una tasa de adopción medida.
Capa 1: la columna vertebral de datos de fabricación
La revisión de Bayer parte del papel. Tradicionalmente, los datos de fabricación se registraban en registros de lote en papel, firmados por varias personas para garantizar la integridad de los datos. El sistema funciona a corto plazo, pero dificulta la búsqueda y el análisis a medida que crece el volumen de datos. Para cumplir la norma 21 CFR Part 11 de la FDA y el Anexo 11 de las GMP de la UE, muchas grandes farmacéuticas empezaron a principios de la década de 2000 a montar infraestructura informática en sus propias instalaciones y a pasarse al registro de lote electrónico (EBR).
- MES da soporte al EBR y hace de puente entre la planificación de recursos empresariales (ERP) y el sistema de control distribuido (DCS) de la planta. Su limitación, según la revisión, es el acceso a los datos para científicos sin experiencia en programación.
- Integradores de datos como BIOVIA Discoverant ofrecen a los científicos de laboratorio y de proceso un acceso gráfico a los resultados at-line y offline y enlazan los datos entre operaciones unitarias, pero no están pensados para la captura en tiempo real desde el DCS.
- Historiadores: el sistema PI está muy extendido en la industria para recoger e historizar datos en tiempo real de sensores en línea y equipos, tanto en upstream como en downstream.
- Nube: los fabricantes de biológicos han empezado a desplegar aplicaciones digitales en plataformas cloud. La revisión insiste en que sigue siendo responsabilidad de la empresa asegurarse de que los proveedores cumplen normas como la 21 CFR Part 11.
Capa 2: la conectividad de equipos en el laboratorio de desarrollo
La revisión de Hannover describe el lado del laboratorio, donde muchos fabricantes siguen suministrando sus equipos con software de control propietario y los investigadores coinciden en que el futuro pasa por protocolos de comunicación estandarizados. Hoy conviven dos en los laboratorios de desarrollo de bioprocesos: SiLA2 (Standardization in Lab Automation 2) y LADS (Laboratory and Analytical Device Standard). Este último se apoya en OPC UA y lo desarrolló un grupo de trabajo de la asociación sectorial Spectaris. OPC UA ya es un estándar para el intercambio de datos independiente del fabricante en varios sectores, lo que, según la revisión, también conecta los laboratorios de investigación con la infraestructura industrial.
Los equipos se dividen en tres grupos. Los antiguos, que solo tienen puertos USB o serie (como RS232), necesitan un módulo de pasarela físico para llegar a la red. Los que tienen puerto de red necesitan un controlador de dispositivo por software. Y los que traen drivers nativos de SiLA2 u OPC UA pueden controlarse directamente desde un servidor central de control de equipos.
Una definición que conviene retener: modelo, sombra y gemelo
La revisión de Hannover distingue tres términos que a menudo se usan como sinónimos, según la dirección del flujo automatizado de datos:
| Término | De físico a digital | De digital a físico |
|---|---|---|
| Modelo digital | Manual | Manual |
| Sombra digital | Automatizado | Manual |
| Gemelo digital | Automatizado | Automatizado |
Con esa definición, un modelo que lee automáticamente los datos de planta pero cuyas recomendaciones aplica un operario es una sombra digital, no un gemelo.
Dónde aparecen ya la IA y el ML
La revisión de Bayer cita estudios publicados. Entre los ejemplos figuran una regresión random forest que predice atributos de calidad en la fabricación continua de anticuerpos monoclonales a partir de sensores de pH, absorbancia UV y conductividad, con errores de predicción inferiores al 5 %, y el uso de machine learning en estudios de eliminación viral mediante inactivación a pH bajo, donde random forest alcanzó una precisión global del 94 % en validación cruzada. Sobre la elección del algoritmo, la revisión señala que los científicos de proceso siguen prefiriendo los algoritmos clásicos cuando la diferencia de rendimiento frente a los avanzados no tiene relevancia práctica, en línea con la importancia que dan los reguladores a la interpretabilidad. Añade que los algoritmos avanzados suelen necesitar grandes cantidades de datos, algo que rara vez existe en las primeras fases de desarrollo.
En cuanto a la IA generativa, la revisión le ve utilidad para localizar y resumir procedimientos normalizados de trabajo (SOPs) y en la investigación de desviaciones, con una advertencia: los grandes modelos de lenguaje pueden sufrir alucinaciones, por lo que hace falta la supervisión de un experto antes de cerrar cualquier documento para su presentación regulatoria.
Qué sigue siendo manual, según las revisiones
- Como la IA/ML no es imprescindible para producir medicamentos de calidad, muchas farmacéuticas siguen trabajando de forma tradicional (revisión de Bayer).
- En terapia celular, el gating automatizado para citometría de flujo ya existe en software comercial, pero su adopción en la bioindustria, sobre todo en entornos clínicos, avanza despacio por la complejidad biológica, la falta de estandarización y los requisitos regulatorios (revisión de Bayer).
- Muchos laboratorios de desarrollo de bioprocesos siguen usando cuadernos de papel escritos a mano, aunque los cuadernos electrónicos de laboratorio se extienden con rapidez, y a veces los datos se mueven en memorias USB, lo que aumenta el riesgo de manipulación o pérdida (revisión de Hannover).
- En los laboratorios académicos, la automatización y el alto rendimiento no son viables en la mayoría de los montajes experimentales por la necesidad de flexibilidad, y los robots aún no son habituales: los frenan los largos tiempos de desarrollo, el mantenimiento, la inversión e incluso la necesidad de reformar el laboratorio (revisión de Hannover).
El marco regulatorio, tal como lo resume la revisión de Bayer
Según el relato que hace la revisión de las conversaciones entre la FDA y la industria, las aplicaciones que no son críticas en tiempo pueden alojarse en servidores cloud, mientras que el software que ejecuta acciones de control directo debe funcionar en las propias instalaciones, cerca de la unidad de fabricación. El fabricante es responsable de definir los criterios de validación de los modelos, y las actualizaciones de modelos casi en tiempo real encajan mal con el control de cambios, así que la gestión del ciclo de vida de los modelos de IA tiene que estar clara. La revisión también recoge que la EMA subraya la necesidad de modelos interpretables y explicables en lugar de cajas negras. Estos puntos son el resumen de la revisión; para este artículo no hemos leído los documentos originales de las agencias.
Fuentes
- Panjwani S, Wei H, Mason J (Bayer Pharmaceuticals). Artificial intelligence and machine learning-assisted digital applications for biopharmaceutical manufacturing. Biotechnology Progress, 10 nov 2025 (número de mar-abr 2026).
- Habich T, Beutel S (Leibniz University Hannover). Digitalization concepts in academic bioprocess development. Engineering in Life Sciences, 9 feb 2024.


