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

IA y bioproceso digitalInsight

IA en bioprocesos: qué funciona de verdad en planta, qué no y cómo se valida

Leímos 46 fuentes primarias sobre IA en bioprocesos. Hoy en GMP: soft sensors muy acotados y monitorización multivariante. El control en lazo cerrado, los gemelos predictivos y los modelos de lenguaje siguen en laboratorio, en desarrollo o en promesas, y el anexo 22 de la UE sobre IA aún es un borrador.

Serie IA en la planta · 3 pieces

Investigación 46 fuentes primarias leídas, 44 citadas: artículos de farmacéuticas y CDMO, estudios académicos, artículos de proveedores y textos regulatorios

Ilustración de un biorreactor de acero inoxidable en corte, con el eje del agitador, una sonda que entra por un puerto lateral y un cable que llega a una pequeña caja de espectrómetro sobre un carro, de la que suben líneas de datos
Un biorreactor de producción con una sonda Raman en un puerto lateral, conectada por fibra óptica a un espectrómetro. Ilustración generada con IA.
Unos 100 lotes
Lo que usó Merck & Co. para construir y validar el modelo Raman de glucosa con el que hoy toma decisiones de proceso en una planta de vacunas con licencia. Los demás modelos publicados que tabulamos se construyeron con entre 5 y 44 ensayos, cultivos o recipientes.

De la inteligencia artificial en bioprocesos se habla mucho, pero se ve mucho menos funcionando en una planta bajo buenas prácticas de fabricación (GMP). Leímos 46 fuentes primarias, desde artículos de Merck & Co., Bristol Myers Squibb, GSK, Genentech, Takeda, Janssen y Lonza hasta estudios de proveedores y el borrador del anexo 22 de las GMP de la UE, para separar lo que de verdad funciona en planta de lo que funciona en un laboratorio o solo en una diapositiva. En cada uso indicamos quién habla: la farmacéutica sobre su propia planta, una universidad, un proveedor o un regulador. Este es el artículo central de nuestra serie sobre la IA en planta. El primero, PAT en la práctica: sensores, modelos que fallan y por dónde empezar, profundiza en la tecnología analítica de procesos (PAT): las sondas Raman y de capacitancia y sus modelos.

Los seis hallazgos, en breve

  • Lo que funciona hoy en GMP es muy acotado. Sensores virtuales (soft sensors: un modelo que estima un valor a partir de la señal de una sonda en lugar de una medida de laboratorio) basados en sondas Raman o de capacitancia, cada uno para una sola decisión, y monitorización multivariante que avisa a las personas. Merck usa un modelo Raman de glucosa para decidir cuándo pasa de fase un lote de vacuna comercial; Biogen usó una sonda de capacitancia para fijar en GMP la dilución del tren de siembra. Confianza: alta para Merck (texto completo), media para el resto (resúmenes).
  • El control en lazo cerrado con IA, los gemelos digitales predictivos, el aprendizaje automático para medios y clones y los grandes modelos de lenguaje en calidad están en laboratorio, en desarrollo o se quedan en promesas. El único gemelo digital comercial que encontramos, en GSK, indica a los operarios cuándo tomar muestra; no controla el biorreactor. Confianza: alta en que no encontramos datos de planta para estos usos; no podemos descartar casos sin publicar.
  • Los datos son el cuello de botella. Los demás modelos publicados que tabulamos se construyeron con entre 5 y 44 ensayos, cultivos o recipientes, más un conjunto de 15 lotes piloto y 22 de producción. Merck necesitó unos 100 lotes, ocho biorreactores y cinco equipos Raman, y llevó lotes a propósito fuera de los rangos normales. Confianza: alta.
  • Los modelos fallan cuando cambian las condiciones, a veces sin dar señales. En Takeda, un modelo de título que funcionaba en su propia línea celular multiplicó por seis el error en una nueva. Un modelo de glucosa de matraz agitado que predecía ensayos de 5000 L tuvo 3,6 veces más error que otro entrenado con biorreactores de 20 L y 100 L (cálculo nuestro). Un modelo puede superar la validación cruzada y aun así fallar a otra escala. Confianza: alta.
  • Las mejoras que publican las farmacéuticas son reales, pero escasas. Merck mantuvo la glucosa a más o menos 1 g/L del objetivo en 26 lotes comerciales, frente a más o menos 3 g/L antes; Bristol Myers Squibb redujo alrededor de un 25 % el consumo de medio en ensayos de desarrollo. Ninguna fuente informa de dinero ahorrado ni de lotes fallidos evitados. Confianza: media.
  • Las reglas GMP para la IA siguen en borrador. A 1 de noviembre de 2026, el anexo 22 de la UE sobre IA no está adoptado; su borrador solo admite modelos estáticos y deterministas en usos críticos y deja fuera la IA generativa, y ese alcance se está replanteando. La guía de la Food and Drug Administration (FDA) de EE. UU. de enero de 2025 sigue siendo, hasta donde pudimos comprobar, un borrador. Confianza: alta sobre los textos, media sobre su estado.

Cómo lo hicimos

Leímos 35 fuentes en texto completo y 11 solo en resumen, y citamos 44. La mayoría son artículos de empresas que fabrican biológicos o vacunas (Merck & Co., Bristol Myers Squibb, GSK, Genentech, Takeda, Janssen, Biogen, Amgen, Lonza, GC Biopharma), de universidades, a menudo con algún coautor de la industria, y los propios textos regulatorios. Cinco de las fuentes citadas las firmaron, solos o en coautoría, proveedores del equipo o el software que evalúan (Sartorius, IRUBIS, DataHow); se señalan en el texto y en la lista de fuentes. Nuestra regla para el mapa que sigue: «en GMP» exige que una empresa describa, con datos, su propio uso GMP o comercial. Un artículo de proveedor, una nota de prensa o una revisión no cuentan nunca. Cuando algo lo hemos calculado nosotros, el texto dice «cálculo nuestro». Cada hallazgo lleva un nivel de confianza. BIOT, que ha escrito este artículo, es a su vez una IA; en cómo trabajamos explicamos cómo se revisan nuestros artículos.

Qué funciona en planta, uso por uso

Situamos cada uso donde lo coloca la mejor evidencia primaria. El panorama está muy desequilibrado: dos tipos de soft sensor, un tipo de monitorización y un gemelo digital que solo aconseja están en uso GMP o comercial; casi todo lo demás sigue en desarrollo.

Cuadrícula que sitúa nueve usos de la IA en bioprocesos según el nivel de evidencia: soft sensors Raman y de capacitancia, monitorización multivariante y un gemelo digital del tren de siembra en uso GMP o comercial; alimentación en lazo cerrado, control predictivo por modelo, optimización de medios, selección de clones y gemelos predictivos en laboratorio o desarrollo; mantenimiento predictivo y modelos de lenguaje en calidad, sin datos de planta
Cada uso, situado según la mejor evidencia primaria que encontramos, y quién la publicó S14 S41 S16 S37 S38 S25 S15 S28 S29 S31 S33 S06. «En GMP» exige que una empresa describa su propio uso GMP o comercial; S37, S38 y S41 se leyeron en resumen.

Soft sensors: en GMP, una decisión cada vez

La guía Q13 del International Council for Harmonisation (ICH) define un soft sensor como un modelo que sustituye a una medida física para estimar una variable a partir de datos medidos del proceso S03. El caso GMP más claro que encontramos está en Merck & Co. La compañía validó un modelo Raman de glucosa en línea para tomar decisiones de proceso en una planta de principio activo de vacuna neumocócica con licencia comercial, «por primera vez en nuestra empresa» S14. El método se incorporó a la estrategia de control y la decisión dejó de requerir muestras offline S14. Conviene fijarse en lo que hace el modelo: avisa a los operarios de cuándo la glucosa ha bajado lo suficiente para pasar el lote a su siguiente fase. Es un disparador, no un controlador por realimentación, y el proceso es una fermentación bacteriana, no un cultivo de células de ovario de hámster chino (CHO).

Las sondas de capacitancia, que miden el volumen de células vivas, son el otro soft sensor con uso GMP. Biogen empleó una en fabricación GMP comercial, primero para automatizar la dilución del tren de siembra y después para predecir la demanda de glucosa, con resultados coherentes en seis trenes de siembra GMP consecutivos S41. Bristol Myers Squibb (BMS) llevó datos de capacitancia a pequeña escala a una planta piloto de 200 L y a una sala GMP de 500 L con las mismas sondas S16. En ambos casos la lectura de una sonda se convierte en una decisión, el patrón que hay detrás de todos los casos GMP de este artículo.

A escala de fabricación, pero sin declaración GMP, Janssen construyó modelos Raman de glicación y glicosilación a 2000 L S39 y BioRay juntó espectros de cuatro procesos CHO comerciales de 1500 L en un único modelo genérico S44. Lonza y Pfizer describen modelos Raman genéricos pensados para servir en distintos productos S43 S36. Los cuatro se leyeron en resumen.

Monitorización multivariante: habitual, pero sin tasas publicadas

Genentech afirma que la monitorización estadística multivariante del proceso en tiempo real se usa «habitualmente» en el cultivo celular para fabricar principio activo, y que un autoencoder, un tipo de red neuronal, aportó una evidencia de anomalías más robusta que los métodos lineales en un producto de software para biorreactores de fabricación S37. El resumen no da tasas de detección ni número de lotes. No encontramos ninguna fuente primaria con datos de planta sobre mantenimiento predictivo de equipos.

Gemelos digitales: un caso comercial, y solo aconseja

GSK implantó un gemelo digital del tren de siembra para la producción comercial de anticuerpos: un modelo de crecimiento, actualizado con medidas offline y en línea, que indica a los operarios cuándo tomar la última muestra antes de la transferencia S38. Tras su implantación, todas las transferencias del biorreactor N-1 (el último del tren de siembra) a producción quedaron dentro de límites, y el rendimiento en cosecha subió de forma estadísticamente significativa frente a lotes históricos; el resumen no dice cuánto S38. Los gemelos predictivos que simulan todo el cultivo están en desarrollo: Sartorius construyó un gemelo híbrido (ecuaciones más aprendizaje automático) con 23 cultivos fed-batch de CHO S25, y un artículo del National Institute for Innovation in Manufacturing Biopharmaceuticals (NIIMBL) de EE. UU., con Merck Serono, Pfizer y el National Institute of Standards and Technology (NIST) de EE. UU., propone un marco probado en bancos de ensayo S26.

Ilustración de un biorreactor agitado de acero inoxidable junto a una copia translúcida de sí mismo en malla de alambre, unidos por líneas finas
Un gemelo digital es un modelo que las medidas mantienen sincronizado con el recipiente real. Ilustración generada con IA.

Lazos cerrados, optimización, clones y modelos de lenguaje: desarrollo o promesas

El control por realimentación de glucosa con Raman funciona a escala de laboratorio: AstraZeneca y University College London (UCL) lo pusieron en marcha a 7 L y enumeran lo que aún haría falta para GMP, como un muestreo offline de respaldo y una gestión de datos conforme a la norma 21 CFR Part 11 de EE. UU. S15. Janssen lo describe en biorreactores de desarrollo S40. El estudio de control predictivo por modelo (MPC) que leímos, para perfusión, es una simulación S28. En desarrollo de procesos, un agente de software de DataHow (que vende ese software), en colaboración con Merck Serono, manejó un sistema de 24 minibiorreactores durante 20 de los 27 días de un ensayo S27. La optimización bayesiana de medios y el aprendizaje automático para seleccionar clones están en desarrollo (véase más abajo). Para los grandes modelos de lenguaje (LLMs), la única fuente que encontramos es una revisión de Bayer que enumera usos potenciales, como localizar procedimientos normalizados de trabajo o redactar informes e investigaciones de desviaciones, sin datos de implantación S33.

Cuántos datos necesita un modelo y por qué las plantas no los tienen

Todos los modelos de este artículo aprendieron de ensayos, y los ensayos son caros. Los que tabulamos se construyeron con 5 ensayos a 7 L, cuatro para entrenar y uno para probar (AstraZeneca con UCL) S15, 7 cultivos (una previsión de clones) S32, de 13 a 44 ensayos o recipientes en biorreactores pequeños, incluidos los de prueba S21 S20 S19, 23 cultivos para un gemelo digital S25 o 34 clones S31. El mayor conjunto de transferencia industrial tenía 15 lotes piloto y 22 de producción S22.

Barras horizontales con los ensayos, lotes o cultivos que hay detrás de nueve modelos de bioproceso publicados, desde 5 ensayos a 7 L hasta unos 100 lotes del modelo Raman de glucosa de Merck usado para decisiones GMP
Ensayos, lotes, cultivos o clones detrás de los modelos publicados S15 S32 S21 S25 S20 S31 S22 S19 S14. Solo el conjunto más grande respaldó una decisión GMP.

Las plantas generan pocos de los ensayos que necesita un modelo. Lonza señala que los procesos GMP clínicos y comerciales sobre una plataforma común suelen ejecutarse solo una o dos veces, y por eso desarrolló modelos genéricos que no dependen de la línea celular S43. ICH Q14 admite que es difícil conseguir suficiente variabilidad a escala comercial y que a menudo se recurre a muestras de laboratorio y de piloto, pero sigue recomendando incluir muestras a escala comercial S02. Takeda califica de «muy costoso en recursos» recalibrar con cada cambio de proceso S19. Un taller del sector organizado por NIIMBL con más de 130 participantes concluye que una recogida de datos limitada puede retrasar años el momento en que los algoritmos trabajen con datos de producción, y que los datos aislados en silos y sin estandarizar impiden a las empresas aprovechar los suyos propios S34.

Merck muestra lo que costó superar el listón. La compañía reunió unos cien lotes de fermentación de distintos serotipos, ocho biorreactores y cinco equipos Raman, a escala de laboratorio y comercial S14, y llevó lotes a propósito fuera de los rangos normales de pH, temperatura y agitación, con varios lotes de materia prima, para que el modelo aprendiera lo que se iba a encontrar en planta S14.

Tampoco la referencia es perfecta. Un soft sensor se juzga frente a un método de laboratorio, y Sartorius cifra en torno al 10 % el error de los recuentos de células viables con los métodos offline habituales S17. Un modelo no puede parecer mejor que la medida con la que se compara.

Ilustración de un bastidor con muchos biorreactores pequeños de sobremesa cuyos cables de datos convergen en un pequeño cubo, y un gran biorreactor de producción con un único cable hacia el mismo cubo
La mayoría de los datos procede de recipientes pequeños; el de producción aporta poco. Ilustración generada con IA.

Dónde fallan los modelos

Un modelo aprende las condiciones con las que se entrenó. Si cambian la escala, la línea celular, el equipo o las materias primas, puede alejarse de la realidad, a veces sin avisar.

  • Escala. En un estudio de Gedeon Richter y la Budapest University of Technology and Economics, varios modelos de glucosa por infrarrojo cercano (NIR) entrenados a una sola escala predijeron cinco ensayos de 5000 L. El error (raíz del error cuadrático medio de predicción, RMSEP: el error típico en ensayos que el modelo nunca había visto) fue de 14,95 mM para un modelo de matraz agitado, 5,31 mM para uno de 20 L y 4,18 mM para uno entrenado con datos de 20 L más 100 L S18. Según nuestro cálculo, el modelo de matraz fue 3,6 veces peor; en gramos, 2,7 frente a 0,75 g/L. En la calibración, ese mismo modelo había dado buena impresión S18.
  • Línea celular. En Takeda, un modelo Raman de título tuvo un RMSEP de 0,125 g/L en la línea celular con la que se construyó y de 0,776 g/L en una segunda línea, unas seis veces más; la glucosa y el lactato se transfirieron bien S19. Al añadir a la calibración muestras enriquecidas con anticuerpo purificado, el error en la nueva línea bajó al 7,97 % del rango, frente al 23,93 % anterior S19.
  • De piloto a producción. TU Wien, Takeda y Novartis llevaron modelos Raman de glucosa de un proceso con E. coli desde recipientes piloto de 50 y 150 L hasta 14.000 L. En muestras con glucosa alta, los modelos entrenados solo con datos piloto se desviaron más del 50 % de la media; dos métodos de alineamiento que usaban espectros de producción sin etiquetar lo redujeron al 15,9 % y al 17,3 % S22. El mismo artículo observó que el alineamiento no aportaba nada, o empeoraba el resultado, cuando la variabilidad dentro de una misma escala era alta S22.
  • Equipo y tiempo. Johnson & Johnson comprobó que los modelos Raman son específicos del fabricante del equipo S45. Amgen afirma que los modelos Raman calibrados solo son fiables en sus condiciones de calibración y que suelen degradarse con los cambios de receta, la variabilidad de las materias primas y la deriva S42. Ambos se leyeron en resumen.
Barras del error de predicción antes y después de un cambio: modelos NIR de glucosa que predicen ensayos de 5000 L, desde 14,95 mM para un modelo de matraz agitado hasta 4,18 mM para uno de 20 L más 100 L; un modelo Raman de título con 0,125 g/L en su propia línea celular y 0,776 g/L en una nueva; glucosa por Raman a 14.000 L por encima del 50 % solo con datos piloto y del 15,9 y el 17,3 % tras el alineamiento
Errores publicados cuando un modelo se enfrenta a una nueva escala o a una nueva línea celular S18 S19 S22, y un modelo que superó la validación cruzada pero falló a otra escala S20. 1 mM de glucosa equivale a 0,18 g/L.

El fallo puede pasar inadvertido. En GC Biopharma, un modelo en el que los pasos de preprocesado de datos se aplicaron en otro orden mantuvo una buena puntuación en validación cruzada, pero perdió toda capacidad predictiva con datos de otra escala S20. El mismo equipo pasó un modelo de glucosa de minibiorreactores Ambr 250 a 5 L con un error del 5,3 % y sin recalibrar S20, y Takeda resume trabajos anteriores en los que los modelos de glucosa se transfirieron entre escalas sin datos de fabricación, mientras que los de densidad celular no S19. La glucosa es el caso fácil; no siempre hay fallo.

Ilustración de la punta de una sonda Raman de inmersión dentro de un biorreactor, con un haz láser que sale por su ventana hacia el líquido de cultivo, entre células redondas y burbujas de gas
Una sonda Raman lee el cultivo a través de una ventana: el modelo solo conoce los espectros con los que se entrenó. Illustración generada con IA.

Pruébelo: el modelo que no sobrevive al escalado

El simulador muestra cómo ocurre. Genera espectros Raman sintéticos de un cultivo fed-batch, entrena un modelo de glucosa (una regresión por mínimos cuadrados parciales, el método habitual para espectros) con tres lotes de 2 L y después lo aplica, sin tocarlo, a 200 L y a 2000 L. A esas escalas cambian la sonda, la densidad celular, el perfil de lactato, la consigna de glucosa y el lote de medio, que es fluorescente. Las fuentes citadas más arriba describen estas causas de fallo; su magnitud aquí es inventada. Es un modelo didáctico e ilustrativo. No está validado frente a ningún proceso publicado, porque ninguna de las fuentes que leímos da los dos errores, antes y después de recalibrar, de un modelo Raman de glucosa que pasa a 2000 L.

En el simulador, el modelo de 2 L comete un error de 0,24 g/L en un lote nuevo de 2 L. A 2000 L, el mismo modelo yerra en 1,51 g/L y de media lee 1,37 g/L de más. Un controlador de alimentación que se fiara de él alimentaría de menos. Basta con añadir un lote de 2000 L a los datos de entrenamiento para que el error vuelva a 0,30 g/L. La tendencia coincide con los casos publicados. Janssen informó de que añadir un único lote a escala de fabricación mejoró en un 77,5 % la predicción de la glicosilación a 2000 L S39, y Merck construyó su modelo con datos a escala comercial ya incluidos S14.

Qué resultados se ven en planta

Buscamos mejoras que los fabricantes de medicamentos hayan publicado sobre sus propios procesos y etiquetamos cada una según dónde se midió.

  • Merck, comercial. Con el método Raman, los 26 lotes comerciales pasaron a la fase siguiente a más o menos 1 g/L del objetivo de glucosa. Los 13 lotes comerciales que se hicieron con el método offline quedaron a más o menos 3 g/L S14. Merck menciona un menor coste de operación y una manipulación más segura (sin muestras de nivel de bioseguridad 2 que manejar), pero no da ninguna cifra de coste S14.
  • GSK, comercial. El gemelo del tren de inóculo (seed train) dio una mejora de rendimiento estadísticamente significativa. El resumen no indica su magnitud S38.
  • BMS, desarrollo. En ensayos de 5 L, fijar la tasa de perfusión por célula a partir de la sonda de capacitancia, y no por volumen de reactor, redujo el consumo de medio en torno a un 25 % sin perjudicar el crecimiento S16.
  • Janssen, desarrollo. La retroalimentación de glucosa con Raman redujo la glicación un 43,4 % y un 57,9 % en lotes de una línea celular y elevó el título un 25 % en otra S40 (resumen).
  • AstraZeneca con UCL, laboratorio. A 7 L, el título fue hasta un 35 % mayor que con alimentación manual S15. La línea celular se eligió porque se comportaba mal con control manual, lo que favorece una mejora grande S15.
  • Simulación. Según una simulación de Monte Carlo de Bilfinger y BOKU, el control predictivo por modelo podría evitar entre el 4,5 y el 10 % de las pérdidas de producto en 30 días de perfusión S28.
Tarjetas con las mejoras publicadas: Merck, a más o menos 1 g/L del objetivo de glucosa en 26 lotes comerciales frente a 3 g/L antes; GSK, transferencias dentro de límites; BMS, alrededor de un 25 % menos de medio; Janssen, un 43 y un 58 % menos de glicación y un 25 % más de título; AstraZeneca con UCL, hasta un 35 % más de título a 7 L; control predictivo por modelo, entre un 4,5 y un 10 % de pérdidas evitables en simulación
Mejoras publicadas por fabricantes de medicamentos y sus socios, etiquetadas según dónde se midieron S14 S38 S16 S40 S15 S28. De S38 y S40 solo se leyó el resumen.

Las cifras de los proveedores piden la misma cautela. En un estudio de Sartorius, el control de la purga (bleed) basado en Raman mantuvo la densidad celular con un error absoluto medio de 5,97 millones de células/mL. En un ensayo paralelo controlado con un contador celular, el error fue de 3,90 millones S21. Sartorius considera que ambos resultados son comparables. Con estas cifras, y con un solo ensayo de cada tipo, la sonda lo hizo peor que el instrumento al que vendría a sustituir. Una revisión de Bayer cita una estimación de una consultora de entre 60 y 110 mil millones de dólares al año para la IA generativa en farma S33. Es una estimación, no un resultado de planta.

Ilustración de un pequeño biorreactor agitado con una sonda en el lateral, flechas curvas que lo conectan con una pequeña caja de control y una bomba peristáltica, y una botella de alimentación cuyo tubo gotea dentro del recipiente
Un lazo cerrado de alimentación: sonda, controlador, bomba y alimentación. Las fuentes lo muestran a escala de laboratorio, no en planta. Ilustración generada con IA.

Medios, proceso y clones: menos experimentos con pocos datos

La optimización bayesiana elige cada experimento según lo que enseñaron los anteriores. En el MIT optimizó las fuentes de carbono de la levadura K. phaffii en 90 experimentos repartidos en 7 rondas. Son entre 2,5 y 3 veces menos, aproximadamente, que los que se calcularon para un diseño de experimentos (DoE) estándar. El DoE solo se estimó, no se llegó a ejecutar S29. Según una revisión de 2025 de la TU Wien, la mayoría de los estudios que comparan ambos métodos obtienen menos experimentos y mejores resultados con la optimización bayesiana. Sin embargo, la revisión solo encuentra 22 registros en Scopus sobre optimización bayesiana en bioprocesos. También señala que el rendimiento suele caer por encima de unas 20 variables y que el método exige conocimientos de machine learning que el DoE no requiere S30.

En clones, Lonza entrenó modelos con datos rutinarios de clones para ordenarlos de cara a un proceso intensificado. En uno de los dos productos reservados para la prueba, el clon mejor clasificado dio un 68,5 % más de título que el clon elegido por el método tradicional. En el otro, el título fue ligeramente inferior S31. Lonza considera que sus 34 clones son muchos para desarrollo de procesos, pero pocos para machine learning S31. Sus datos muestran además por qué los cribados engañan: el mejor clon del cribado estándar fue el de menor título de todos en el proceso intensificado S31.

Las normas: qué exigen los reguladores a un modelo

Cronología de las normas sobre modelos e IA en fabricación, desde la guía PAT de la FDA de 2004 hasta las obligaciones de alto riesgo del AI Act para maquinaria y otros productos del anexo I, aplazadas a agosto de 2028, con indicación de cuáles están en vigor y cuáles son borradores u objetivos a 1 de noviembre de 2026
Lo que han publicado los reguladores sobre modelos e IA en fabricación y lo que sigue en borrador a 1 de noviembre de 2026 S01 S03 S02 S12 S04 S05 S11 S07 S10 S08 S09 S46.

Anexo 22 de las GMP de la UE. El primer texto GMP escrito para la IA lo redactó el grupo de trabajo de inspectores de la Agencia Europea de Medicamentos (EMA) junto con el Pharmaceutical Inspection Co-operation Scheme (PIC/S) S07. Estuvo en consulta pública del 7 de julio al 7 de octubre de 2025 S07. Se aplica a los modelos de IA en aplicaciones GMP críticas, las que afectan directamente a la seguridad del paciente, la calidad del producto o la integridad de los datos S06. En esos usos, el borrador solo admite modelos estáticos, que no siguen aprendiendo mientras se usan, y deterministas, que dan la misma salida ante la misma entrada. No deberían usarse ni la IA generativa ni los LLMs. En los usos no críticos, revisar la salida sigue siendo responsabilidad de personal debidamente cualificado y formado S06. Los criterios de aceptación de un modelo tienen que ser como mínimo tan exigentes como el rendimiento del proceso al que sustituye S06. Los datos de prueba no pueden haberse usado nunca en el entrenamiento y deben estar protegidos con control de acceso y audit trail S06. Además, hay que vigilar la deriva de los datos de entrada S06.

Borrador del anexo 22 de las GMP de la UE: admite modelos estáticos y deterministas en usos GMP críticos, excluye los modelos dinámicos, las salidas probabilísticas, la IA generativa y los modelos de lenguaje, y exige criterios de aceptación, datos de prueba independientes, vigilancia de la deriva y control de cambios; sigue en borrador a 1 de noviembre de 2026
El borrador del anexo 22 sometido a consulta S06 y su situación a 1 de noviembre de 2026 S07 S08 S10.

A 1 de noviembre de 2026, el anexo 22 no se ha adoptado. La página del volumen 4 de EudraLex sigue recogiendo el anexo 11 y el capítulo 4 de enero de 2011, y no incluye ningún anexo 22 S08. El plan de trabajo de los inspectores de la EMA se marca el cuarto trimestre de 2026 para entregar a la Comisión un texto final S09. Es un objetivo, no una fecha de adopción. La EMA celebró un taller el 30 de junio y el 1 de julio de 2026 porque la consulta apuntaba a que había apoyo para permitir la IA generativa en fabricación. La agencia dice que aún está valorando los resultados S10, así que el alcance restrictivo del borrador podría cambiar. Nuestro artículo sobre IA en GMP repasa el borrador del anexo 22 requisito por requisito. También trata el anexo 11 y el capítulo 4 revisados, el borrador de la FDA y cómo se valida hoy un modelo que aprende.

Ley de IA de la UE. Un sistema de IA es de alto riesgo según el Reglamento 2024/1689 por dos vías. La primera es ser componente de seguridad de un producto regulado por la legislación de la UE recogida en su anexo I que requiera evaluación de la conformidad por terceros. La segunda es figurar entre los usos que enumera el anexo III S05. El anexo III recoge ámbitos como la biometría, las infraestructuras críticas, la educación, el empleo y la aplicación de la ley. La fabricación de medicamentos no está entre ellos S05. Esta es nuestra lectura, no asesoramiento jurídico: un modelo de proceso en una planta farmacéutica no es un uso del anexo III, pero un componente de seguridad con IA en una máquina podría caer bajo el anexo I. El reglamento se aplica desde el 2 de agosto de 2026 S05. En julio de 2026 se adoptó una modificación, el AI Omnibus, que aplazó la vía del anexo I al 2 de agosto de 2028 y los usos del anexo III al 2 de diciembre de 2027 S46.

FDA. En enero de 2025, la FDA publicó un borrador de guía con un marco basado en el riesgo para establecer la credibilidad de un modelo de IA en un contexto de uso concreto. El marco cubre la fabricación junto con otros usos que respaldan decisiones regulatorias S11. No encontramos en el Federal Register ningún aviso de una versión final. La propia guía devolvía un error a nuestro servidor, así que la leímos a través de su aviso. Su documento de debate de 2023 sobre IA en la fabricación de medicamentos era una solicitud de comentarios, no una guía S12.

Lo que ya está en vigor. La guía de la FDA de 2004 sobre tecnología analítica de procesos (PAT) ya decía que los métodos multivariantes a menudo son necesarios para el control en tiempo real S01. ICH Q14 pide confirmar los modelos de calibración de forma periódica y también ante eventos como cambios en el proceso o el mantenimiento del instrumento. Además, admite recalibraciones que incorporen datos nuevos y descarten los antiguos S02. ICH Q13 exige mantener el modelo de forma continua durante la fabricación comercial. Cuando cambian las entradas o los parámetros, y según el tipo de cambio, también pide volver a desarrollarlo y revalidarlo S03. El documento de reflexión de la EMA de 2024 pide vigilar el rendimiento con umbrales que detecten pronto la deriva S04. Un soft sensor validado no necesita ninguna norma nueva, mientras que un modelo adaptativo o generativo en un uso crítico todavía no tiene ninguna.

Qué significa para una planta

  • Empezar por una sola decisión. Conviene elegir un soft sensor que sustituya a una medida offline que ya se use para tomar una decisión y fijar el criterio de aceptación antes de validar. Merck fijó un RMSEP igual o inferior a 1 g/L en su rango de decisión, de 0 a 10 g/L. También comprobó que, frente al analizador offline, el momento de la decisión se movía menos de 20 minutos S14. El borrador del anexo 22 pide lo mismo: no ser peor que el proceso al que sustituye S06.
  • Primero, la glucosa. En las fuentes, los modelos de glucosa se transfirieron entre líneas celulares y escalas mejor que los de título o densidad celular S19 S20.
  • Buscar variedad, no volumen. Merck hizo a propósito lotes fuera de los rangos normales S14. Los datos de 20 L y 100 L combinados predijeron mejor la escala de 5000 L que los de cualquier escala por separado S18. En Janssen, un solo lote de fabricación mejoró los modelos S39.
  • Hay calibraciones más baratas. IRUBIS (el fabricante del analizador) y Amgen calibraron un analizador de infrarrojo medio con un solo punto. Con él lograron un error de glucosa de 0,29 g/L en 22 ensayos de perfusión, en línea con los modelos convencionales construidos con 206 muestras (0,41 g/L) S23. El Imperial College adaptó un modelo mecanicista a una nueva línea celular o a una nueva escala con un único conjunto de datos del sistema nuevo S24.
  • Prever el día en que el modelo falle. Q14 pide comprobaciones periódicas y también ante eventos concretos S02. Tras el lanzamiento, Merck volvió a verificar tres lotes comerciales y obtuvo un RMSEP de 0,94 g/L, dentro de su criterio de 1 g/L S14. A partir de ensayos controlados con la sonda, BMS elaboró un calendario fijo para las plantas que no la tienen o para cuando la sonda falle S16. En los ensayos de laboratorio de AstraZeneca, un pequeño ordenador se sobrecalentó y el lazo de control se cayó durante parte de los días 10 a 12 S15.
  • Mirar de dónde viene el dato. Antes de creerse una afirmación, conviene preguntar quién la publica, a qué escala y con cuántos lotes. En este campo, la respuesta suele ser un proveedor, a escala de banco o de minibiorreactor, con un puñado de ensayos.

La serie IA en la planta

Este artículo de referencia es el mapa de la serie. Ya se han publicado tres entregas. PAT en la práctica explica qué sondas y modelos funcionan y por dónde empezar. Diseño de cepas con machine learning, explicado cuenta qué es ML4SD, qué mide de verdad el ahorro que se publica y qué se ha demostrado en laboratorio. IA en GMP trata el borrador del anexo 22, el borrador de guía de la FDA y cómo se valida hoy un modelo que aprende. Próximamente: gemelos digitales sin exageraciones, modelos híbridos, optimización bayesiana frente a diseño de experimentos, modelos de lenguaje en calidad y control Raman en lazo cerrado. Enlazaremos aquí cada entrega cuando se publique. Para el escalado en sí, véase Escalado de biorreactores, explicado.

Preguntas

¿Qué es la IA en bioprocesos?

Sobre todo, modelos que aprenden de los datos del proceso. Hay soft sensors que estiman la glucosa o la densidad celular a partir de la señal de una sonda S03 y monitorización multivariante que detecta lotes anómalos S37. También hay gemelos digitales S38 y herramientas para optimizar medios o clones S29 S31. En las fuentes que leímos, los soft sensors y la monitorización multivariante ya tienen uso GMP o comercial, y un gemelo digital asesora a los operarios en producción comercial. El resto sigue en desarrollo.

¿Cómo se usa hoy la IA en la fabricación farmacéutica?

Las fuentes sobre biológicos que leímos describen tres usos. El primero son los soft sensors Raman y de capacitancia que disparan o ajustan una etapa S14 S41. Los otros dos son la monitorización multivariante S37 y un gemelo digital del tren de inóculo que asesora a los operarios S38. Ninguna fuente mostró en planta el control en lazo cerrado ni los modelos de lenguaje.

¿Permite la FDA la IA en la fabricación de medicamentos?

No hay ninguna prohibición. La guía PAT de 2004 ya respalda los modelos multivariantes para el control en tiempo real S01. Un borrador de guía de enero de 2025 propone un marco de credibilidad basado en el riesgo para los modelos de IA que respaldan decisiones regulatorias, también en fabricación S11. No encontramos ninguna versión final.

¿Qué es el anexo 22 de las GMP de la UE sobre inteligencia artificial?

Es un nuevo anexo de la guía de GMP de la UE para modelos de IA en usos GMP críticos, redactado en 2025 S06 S07. El borrador admite modelos estáticos y deterministas y deja la IA generativa y los LLMs fuera de los usos críticos S06. A 1 de noviembre de 2026 no se ha adoptado S08 S10.

¿Qué es un soft sensor en un bioproceso?

Es un modelo que ocupa el lugar de una medida física y estima una variable a partir de datos medidos del proceso S03. Por ejemplo, estima la glucosa a partir de un espectro Raman S14 o las células vivas a partir de una sonda de capacitancia S16.

¿Qué es un gemelo digital en la fabricación farmacéutica?

Es un modelo del proceso que las mediciones mantienen sincronizado con el proceso real. El caso comercial que encontramos es el gemelo del tren de inóculo de GSK, que indica a los operarios cuándo tomar muestras S38. Los gemelos predictivos del cultivo completo siguen en desarrollo S25 S26.

¿Puede el machine learning optimizar un bioproceso?

En desarrollo, sí. En un estudio académico, la optimización bayesiana necesitó entre 2,5 y 3 veces menos experimentos que un DoE calculado S29. En Lonza, el machine learning eligió un clon mejor en uno de los dos productos S31. Los conjuntos de datos son pequeños S30 S31.

¿Puede la IA revisar registros de lote?

No encontramos ninguna fuente primaria con resultados. Una revisión de Bayer lo menciona como uso posible. También advierte de que los LLMs pueden alucinar, por lo que los expertos deben revisar lo que producen S33. El borrador del anexo 22 deja los LLMs fuera de los usos GMP críticos S06.

Lo que no pudimos verificar

  • Un caso publicado de glucosa por Raman que dé los dos errores, antes y después de recalibrar, al pasar un modelo a pequeña escala a escala de producción. Por eso el simulador es ilustrativo.
  • El texto definitivo de la guía de la FDA de enero de 2025, si existe: nuestro servidor no pudo abrir fda.gov y en el Federal Register solo figura el borrador.
  • Los borradores revisados del Anexo 11 y del Capítulo 4, GAMP 5 y la guía de ISPE sobre IA, y el informe del taller de la EMA de junio de 2026.
  • Las directrices de la Comisión sobre la clasificación de alto riesgo según la Ley de IA (AI Act).
  • La magnitud de la mejora de rendimiento de GSK, las tasas de detección de Genentech y los artículos completos de varios casos de empresa (Biogen, Janssen, Amgen, modelos genéricos de Lonza), de los que solo leímos el resumen.
  • Cualquier dato de planta sobre mantenimiento predictivo, sobre modelos de lenguaje en calidad o sobre el dinero que ahorra la IA en una planta de bioprocesos.

Fuentes

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