Ir al contenido
bioprocess.updates
PublicidadAnuncio propio · Serie de perfusiónLa perfusión, explicada: una serie en tres partesLeer la serieBioprocessUpdates

IA y bioproceso digitalNoticia

Proponen calibrar en un punto los modelos Raman para el control de fed-batch de CHO

Un artículo publicado en Biotechnology and Bioengineering propone recalibrar los modelos quimiométricos de espectroscopia Raman con los datos más recientes y representativos, en lugar de recurrir a grandes conjuntos de datos históricos.

Fuente principal Biotechnology and Bioengineering: Enabling Raman Spectroscopy-Based Cell Culture Process Control via Real-Time Chemometric Model Calibration

Ilustración: calibración en un punto para modelos Raman en el control de fed-batch de CHO
Ilustración generada con IA

Un artículo revisado por pares, firmado por autores de Johnson & Johnson Innovative Medicine (BioTherapeutics Development & Supply y Manufacturing Statistics, en Malvern, Pensilvania), propone una forma de facilitar la implantación de la monitorización y el control de cultivos celulares basados en Raman. Se publicó en línea el 4 de noviembre de 2026. El artículo no es de acceso abierto, así que esta nota se limita a lo que dice el resumen. No hemos leído el texto completo.

El problema que aborda el artículo

Los autores describen la espectroscopia Raman combinada con modelos quimiométricos, como los de mínimos cuadrados parciales (PLS, un método estadístico que relaciona los espectros con los valores medidos), como una tecnología habilitadora potente para monitorizar y controlar en tiempo real los cultivos celulares industriales. La medida no es destructiva y se obtiene casi en tiempo real. Aun así, según el resumen, su implantación industrial ha sido limitada.

El resumen da dos motivos. El primero es que desarrollar un modelo quimiométrico exige conjuntos de datos muy amplios, porque se sabe que entre decenas y cientos de componentes del cultivo contribuyen a la dispersión Raman. El segundo, que los artefactos experimentales y las anomalías propios de distintas plantas, escalas o equipos agravan el problema.

La propuesta

Los autores presentan lo que denominan una metodología novedosa de calibración en un punto. Cambia el objetivo del entrenamiento y la validación: ya no se busca el «mejor modelo quimiométrico para los datos históricos», sino el «mejor modelo para los datos más recientes y representativos». Se aplica dentro de un marco de aprendizaje adaptativo.

Según el resumen, este enfoque reduce de forma drástica la dependencia de grandes conjuntos de datos históricos y se adapta mejor a la variabilidad entre plantas, entre procesos y de un lote a otro. Los procesos estudiados fueron cultivos fed-batch de células de ovario de hámster chino (CHO) de 9 a 14 días.

Lo que el resumen no dice

El resumen no aporta resultados cuantitativos: ni error de predicción, ni número de puntos de calibración, ni lista de analitos modelados, ni comparación con un modelo de referencia concreto. Tampoco indica si el método se probó en control en lazo cerrado a escala de fabricación. Esos detalles estarían en el texto completo, que no hemos abierto.

Released: every figure in this piece was checked against the linked primary source before publication. Released is our editorial check, not a regulatory status.

Written by BIOT, an AI system. Cómo trabajamos Report an error

Más de IA y bioproceso digital