
La FDA publicó en 2004 su marco para la tecnología analítica de procesos, PAT S01. Hoy, en planta, las preguntas son prácticas: qué sondas miden lo que prometen, cuánto trabajo exige un modelo, por qué dejan de funcionar los modelos y qué conviene hacer primero. Leímos 43 fuentes primarias, desde los textos de los propios reguladores hasta estudios de Takeda, Bristol Myers Squibb, Janssen, Biogen y los propios proveedores, para ver qué se ha medido de verdad. Este artículo forma parte de nuestra serie sobre la IA en planta; su pieza central, La IA en bioprocesos, explicada, recoge qué usos funcionan en GMP y cuáles no. Dos artículos más breves cubren parte del mismo terreno: por qué los modelos Raman fallan al cambiar de escala y qué dicen dos revisiones que ya es digital y qué sigue siendo manual.
Los siete hallazgos, en resumen
- La PAT es opcional en todas partes y ningún regulador fija un intervalo de recalibración. La FDA la califica de voluntaria. Las guías ICH Q8(R2), Q13 y Q14 y la EMA dicen que la liberación en tiempo real (real time release testing), o el enfoque mejorado, no es obligatoria. Mantener los modelos en funcionamiento queda en manos de la evaluación de riesgos y del sistema de calidad de cada compañía. Confianza: alta, son los propios textos.
- Raman sigue la glucosa con fiabilidad. Donde los modelos sufren es en el título de producto y en los recuentos celulares. Tres grupos informan de errores de Raman para la glucosa de 0,20 a 0,44 g/L. En un estudio de un proveedor, los errores de título y de recuento celular fueron del 21 al 24 % de su valor medio, frente al 8 % de la glucosa. Confianza: de media a alta para la glucosa, baja para título y células.
- Los modelos fallan cuando algo cambia. En Takeda, una nueva línea celular multiplicó por unas seis veces el error del título. Los modelos trasladados de recipientes de 250 mL a 5 L perdieron precisión en viabilidad y glutamina. Añadir un solo lote de planta mejoró un 77,5 % un modelo de glicosilación de Janssen. Confianza: media.
- El control de la glucosa a partir de la lectura Raman es el beneficio mejor documentado. Biogen, Janssen y AstraZeneca informan de menos glicación en sus productos que con alimentación en bolo. Confianza: media; la tendencia coincide, pero los tres resultados se leyeron como resúmenes.
- La capacitancia cuenta bien las células vivas mientras crecen y deriva cuando dejan de crecer y se hinchan. R2 de 0,99 de 50 a 2000 L en fase de crecimiento. En un cultivo, a partir del día 8 el modelo habitual de frecuencia única se desviaba un 21 % de media, frente al 7 % de un modelo multifrecuencia. Confianza: alta.
- La calibración es el coste oculto. Los modelos de los estudios que leímos se apoyaron en entre cinco y 44 cultivos, y un artículo describe un flujo de trabajo convencional que puede durar hasta seis meses. Los atajos se quedaron cerca en estudios aislados. Confianza: de baja a media.
- El coste y la amortización no se publican. Encontramos un único ahorro medido, un 25 % menos de medio, y las estimaciones de precio de instrumentos de una revisión. Nada sobre mano de obra ahorrada, lotes rescatados o plazo de amortización. Confianza: baja.
Cómo lo hicimos
Leímos 29 fuentes completas y 14 solo por el resumen, y lo indicamos donde importa. Ocho son documentos de reguladores: la guía de la FDA de 2004, ICH Q8(R2), Q13, Q14 y Q2(R2), un documento de implementación de la ICH de 2011, la directriz de la EMA sobre liberación en tiempo real de 2012 y el documento de reflexión de la EMA sobre IA de 2024 S01 S02 S03 S04 S05 S06 S07 S08. Aquí importa quién habla. Sartorius, que fabrica los biorreactores, las celdas de flujo Raman y el software empleados en sus estudios, firma cuatro de los artículos S09 S10 S16 S18. Otros cuatro tienen como coautores a fabricantes de equipos: los fabricantes de analizadores IRUBIS S21 y Thermo Fisher S22, el fabricante de biorreactores Bionet S26 y el de sondas Hamilton S40; el fabricante de bombas Levitronix firma un quinto S15. La mayor parte del resto procede de fabricantes de medicamentos y de fabricantes por contrato que escriben sobre sus propios procesos: Takeda S11, Daiichi Sankyo S12, GC Biopharma S13, Merck KGaA con la FHNW S15, Bristol Myers Squibb S17, Gedeon Richter S20, Lonza S30, Amgen S31, Biogen S32 S37, Janssen S33 S35, AstraZeneca S34, BioRay S36, WuXi Biologics S39 y Johnson & Johnson S42. Varios de los resultados de compañías, entre ellos los tres estudios de control de glucosa con datos de calidad de producto, solo pudimos leerlos como resumen, así que no se conocen la escala ni el número de cultivos que los respaldan. Casi todas las cifras de precisión proceden de biorreactores de desarrollo de 250 mL a 15 L. Cada artículo expresa los errores a su manera, unos divididos por la media, otros por el rango y otros ni siquiera los dan, de modo que las cifras siguientes no sirven para clasificar unas herramientas frente a otras.
Qué piden los reguladores y qué no
La guía de la FDA planteó la PAT como un marco para «fomentar el desarrollo y la implantación voluntarios» de nuevas formas de desarrollar, fabricar y analizar medicamentos S01. Trabajar con la agencia en PAT es algo «voluntario», y hacerlo para un producto no obliga a hacerlo para otros S01. La guía agrupa las herramientas en cuatro familias: herramientas multivariantes para diseño, adquisición y análisis de datos; analizadores de proceso; herramientas de control de proceso; y herramientas de mejora continua y gestión del conocimiento S01. También define los términos que se usan más adelante en este artículo. On-line significa que la muestra se desvía del proceso y puede devolverse a él; in-line, que nunca sale de la corriente de proceso S01. Y señala que un analizador de proceso no tiene por qué dar un valor absoluto del atributo S01.
Los textos posteriores mantienen la misma línea. ICH Q8(R2) define la PAT como el diseño, el análisis y el control de la fabricación mediante mediciones a tiempo de atributos críticos de calidad y de rendimiento, y dice que, incluso con el enfoque mejorado, no se espera necesariamente un espacio de diseño ni la liberación en tiempo real («not necesserily expected», con la ortografía de la propia guía) S02. ICH Q14, adoptada en 2023, afirma que el enfoque mínimo para desarrollar un procedimiento analítico «sigue siendo un enfoque válido» S03. ICH Q13 indica que la liberación en tiempo real «no es un requisito regulatorio» en la fabricación continua S04. La directriz de la EMA de 2012 valora el conocimiento que aporta, «pero no es un requisito obligatorio» S06.
La liberación en tiempo real (RTRT, real time release testing) es el paso que cambia las reglas. Consiste en juzgar la calidad de un lote a partir de datos de proceso S01, y la FDA la remonta a la liberación paramétrica de productos esterilizados por calor, que se practica en Estados Unidos desde 1985 S01. Hay que obtener la aprobación antes de usarla: de la FDA S01 y, en la UE, una autorización previa, con una variación si se quiere volver al análisis del producto final S06. Una vez aprobada en la UE, un resultado no conforme no puede sustituirse por un análisis del producto final S06. La EMA espera datos comparativos a escala comercial cuando proceda y un plan de contingencia para cuando falle el equipo S06. La RTRT sustituye al análisis del producto final, pero no a la revisión del lote que las GMP exigen antes de la liberación S02. Para las proteínas terapéuticas, ICH Q13 cita como posibles ejemplos el pH, la osmolalidad y la concentración de proteína in-line, y la pureza, las variantes de carga y la agregación online S04, mientras que la potencia sigue necesitando un ensayo convencional S04.
En cuanto a los modelos, los textos describen un proceso y dejan las cifras a cada compañía. Un documento de la ICH de 2011 clasifica los modelos por impacto: un modelo quimiométrico para la valoración del producto es de alto impacto, y un modelo de calibración pasa a serlo cuando su método se usa para el análisis de liberación; los modelos de bajo impacto «normalmente no requieren verificación» S05. ICH Q14 divide la vida de un modelo multivariante en establecimiento, uso rutinario y mantenimiento S03. Pide comprobaciones periódicas y por eventos frente a resultados de referencia, con desencadenantes como una nueva variabilidad del proceso, sucesos inesperados o el mantenimiento programado del instrumento S03, diagnósticos de valores atípicos en el uso rutinario S03 y una recalibración que puede incorporar datos nuevos y descartar los antiguos S03. ICH Q13 exige mantener los modelos «de forma rutinaria y continua» durante la fabricación comercial, advierte de que puede ser necesario volver a desarrollar y revalidar un modelo S04 y, cuando se usa la liberación en tiempo real, pide a las compañías que evalúen qué pasa con sus decisiones mientras se recalibra una sonda S04. El documento de reflexión de la EMA sobre IA pide vigilar el rendimiento con umbrales definidos para detectar pronto la deriva S08 y, en los usos de alto impacto, una nueva evaluación tras cambios no triviales en el hardware o el software S08. Ninguno de estos textos fija una frecuencia de recalibración ni un objetivo numérico de precisión. El documento de la ICH deja en manos del sistema de calidad de la compañía la frecuencia de comparación con el método de referencia, los desencadenantes de actualización y la gestión de las predicciones fuera de especificación S05.
El texto de la FDA también deja margen para experimentar. Una planta puede probar en producción un analizador in-line u on-line experimental bajo su propio sistema de calidad, tras un análisis de riesgos y sin notificarlo a la agencia, y los datos cuentan como datos de investigación S01 que la FDA «no tiene intención de inspeccionar» con ese fin S01.

Las herramientas y cómo midió cada una
La espectroscopia Raman es, con diferencia, la que más datos publicados acumula, y las tres secciones siguientes tratan de ella. Las demás herramientas cuentan con menos estudios, a menudo uno solo cada una.

Infrarrojo cercano (NIR). Gedeon Richter y la Universidad Tecnológica de Budapest siguieron un proceso de anticuerpos con una sonda NIR on-line desde un matraz agitado de 1 L, pasando por 20, 100 y 1000 L, hasta biorreactores de acero inoxidable de 5000 L S20. Su mejor modelo de glucosa, construido con datos de 20 y 100 L, predijo cinco cultivos de 5000 L con un error de 4,18 mM sobre un rango de 29 mM S20, unos 0,75 g/L según nuestro cálculo. Los propios autores se fijaron como objetivo no superar los 5 mM S20. La glucosa es difícil para el NIR porque su concentración es baja, normalmente inferior a 40 mM, y no deja de variar S20, y los espectros del matraz agitado eran tan distintos de los del biorreactor que no sirvieron de ayuda S20.
Infrarrojo medio (MIR). IRUBIS, fabricante del analizador, y Amgen midieron glucosa y lactato en 22 cultivos en perfusión de 2 y 10 L con una calibración de un solo punto: errores de 0,29 g/L para la glucosa y de 0,24 g/L para el lactato S21. Los modelos convencionales construidos con 206 muestras dieron resultados parecidos, 0,41 y 0,16 g/L S21.
Análisis de gases de salida. Un espectrómetro de masas instalado en la salida de gases de cultivos fed-batch de CHO de 5 y 50 L, en un estudio firmado junto a su fabricante, Thermo Fisher, dio una señal de oxígeno de entrada que seguía el recuento de células viables con un R2 de aproximadamente 0,9 S22. El cociente respiratorio superaba 1 mientras las células producían lactato y bajaba de 1 mientras lo consumían S22. Los autores señalan que las células de mamífero respiran tan poco que el analizador necesita una precisión a corto plazo muy alta S22. En un cultivo de 5 L detectó durante la noche un filtro de salida de gases obstruido, y el cultivo se recuperó al cambiar el filtro; en el de 50 L registró pérdidas de aire comprimido que no aparecían en la lectura de oxígeno disuelto S22.
Densidad óptica. En cultivos de levadura de alta densidad, el University College Dublin y el fabricante español de biorreactores Bionet convirtieron la señal de una sonda de 860 nm en peso seco celular con un R2 de validación cruzada de 0,85 a 0,91 en 19 lotes de tres especies S26. Escriben que estas sondas ya están instaladas en una gran parte de los biorreactores industriales S26, sin dar una cifra.
Para qué no encontramos datos. No encontramos ningún estudio primario con cifras sobre la fluorescencia 2D ni sobre la HPLC online con muestreo automatizado. Un artículo de Sartorius sostiene que la fluorescencia 2D solo puede detectar la glucosa a través de su correlación con otros compuestos, porque la glucosa no emite fluorescencia S09; Sartorius vende equipos Raman. Una revisión de 2026, que cita trabajos anteriores, afirma que los muestreadores automáticos no están muy aceptados en la industria biofarmacéutica, sobre todo por reservas relacionadas con las GMP S29.
Raman: la glucosa, sí; el título y las células, no tanto
En un estudio de Sartorius se instaló una celda de flujo Raman en la línea de cosecha sin células de un cultivo de CHO en perfusión. Un modelo de glucosa construido con cinco cultivos predijo un sexto con un error de 0,23 g/L S09. Con esos mismos cultivos no se pudo construir un modelo de lactato válido (R2 0,267) S09: el lactato varió en un intervalo estrecho, y los autores citan ensayos previos según los cuales un modelo necesita un intervalo de concentraciones de al menos diez veces su error S09.
Un segundo estudio de Sartorius ofrece la comparación directa más clara que encontramos, porque evaluó todos sus modelos sobre el mismo cultivo independiente. Calibrados con 13 cultivos en perfusión en Ambr 250 de tres líneas celulares, los modelos predijeron un decimocuarto cultivo con errores del 8,0 % del valor medio para la glucosa, del 20,0 % para el lactato, del 15,3 % para el glutamato, del 21,3 % para el recuento de células viables y del 24,2 % para el título S10. Los autores califican los modelos de buenos a excelentes S10. Nuestra lectura es más restrictiva: la glucosa es precisa, mientras que el título y los recuentos celulares marcan una tendencia, no una medida. Además, el título solo se calibró en un intervalo bajo, de 0 a 1,4 g/L, porque la perfusión lo va retirando sin parar S10.

Otros grupos publican errores parecidos para la glucosa. El modelo de glucosa de Takeda tuvo un error normalizado del 3,00 % del intervalo en su propia línea celular S11. Los modelos genéricos de Lonza, construidos con dos líneas celulares, dieron errores medios de 0,44 g/L para la glucosa, 0,23 g/L para el lactato, 0,03 g/L para el amonio y 1,90 millones de células/mL para el recuento de células viables S30; de ese estudio leímos solo el resumen.
A escala de fabricación, las pruebas son más escasas y proceden de resúmenes. BioRay reunió en un único modelo espectros en línea de cuatro procesos comerciales de 1500 L, con R2 superior a 0,94 para glucosa, lactato y densidad de células viables; un quinto proceso que el modelo no había visto «demostró los límites de aplicabilidad» de ese modelo S36. Janssen construyó siete modelos Raman de glicación y glicosilación a 5 L y los llevó a 2000 L; el resumen no da cifras de precisión S35.
Un estudio muestra hasta dónde puede llegar un modelo apoyado solo en correlaciones. Daiichi Sankyo construyó modelos Raman para más de 100 componentes a partir de seis reactores Ambr 250, con un R2 medio de 0,62 S12. También describe modelos precisos para variables que Raman no puede detectar, como iones metálicos, oxígeno y dióxido de carbono, y los explica como indirectos: esos valores se correlacionaban con compuestos que Raman sí ve S12. Nuestra lectura: un modelo así solo funciona mientras se mantenga la correlación. La guía de la FDA ya señalaba que, según el riesgo, una simple correlación puede necesitar un respaldo adicional, como una explicación mecanicista S01, y un estudio de FHNW y Merck KGaA advierte de que, sin muestras enriquecidas (spiking), un modelo puede parecer predictivo sin ser robusto S15.
Cerrar el lazo de la glucosa
El uso de Raman con el beneficio publicado más claro es gobernar la alimentación de glucosa a partir de la medida. En el estudio de perfusión de Sartorius, un controlador que actuaba sobre la bomba de alimentación mantuvo la glucosa en 4 g/L y después en 1,5 g/L, con una variabilidad de más o menos 0,4 g/L S09. La consigna inferior se alcanzó en 24 horas y se mantuvo durante los seis días restantes S09. Según nuestro cálculo, a 1,5 g/L esa banda equivale a más o menos el 27 % del objetivo.

Los resultados de calidad de producto proceden de tres farmacéuticas, y todos se leyeron como resúmenes. Biogen mantuvo la glucosa en un nivel bajo constante y redujo la glicación del anticuerpo de alrededor del 9 % al 4 %; una consigna que bajaba de forma escalonada con el tiempo no logró ninguna reducción frente a su alimentación histórica en bolo S32. Janssen informó de reducciones de la glicación del 43,4 % y el 57,9 % en lotes de una línea celular, y de un título un 25 % mayor y mejor crecimiento en otra S33. AstraZeneca informó de hasta un 35 % más de título y hasta un 27 % menos de glicación frente al control manual en bolo S34. Cada empresa comparó con su propia alimentación en bolo, y los resúmenes no indican volúmenes de tanque ni número de cultivos, así que la magnitud de los efectos no se puede comparar. El sentido es el mismo en los tres casos.

Lo que cuesta construir un modelo
Los estudios que leímos usaron entre cinco y 44 cultivos para sus modelos. Sartorius empleó cinco cultivos para su modelo de glucosa en perfusión S09, y 13 cultivos en perfusión en Ambr 250 en los que varió a propósito la densidad celular objetivo (de 25 a 100 millones de células/mL), la tasa de perfusión específica por célula, tres medios batch, el flujo tangencial y la temperatura S10; su conclusión es que, para que un modelo de perfusión sea robusto, el conjunto de calibración debe incluir distintas densidades celulares objetivo y tasas de perfusión S10. Takeda operó 44 tanques Ambr 250 en cuatro campañas con una línea celular, tres para entrenamiento y una para prueba, con 440 muestras para el modelo de glucosa y 275 muestras nativas o 381 enriquecidas para el título S11. GC Biopharma usó 23 lotes en Ambr 250 S13, y Biogen, ocho lotes de laboratorio diseñados para cubrir un amplio intervalo de glucosa, además de estudios con muestras enriquecidas S32.
El tiempo es más difícil de precisar. Un artículo de FHNW y Merck KGaA describe el flujo de trabajo industrial convencional, desde la preparación de los cultivos hasta el procesamiento de la señal, como un proceso que «puede extenderse hasta 6 meses» S15; es una descripción, no una encuesta. Takeda escribe que los grandes conjuntos de datos con varios procesos o los estudios con muestras enriquecidas suelen ser inasumibles en los plazos normales de desarrollo S11. ICH Q14 no fija un número de muestras: depende de la complejidad de la muestra S03. ICH Q2(R2) añade que el método de referencia debe rendir al menos tan bien como se espera del modelo S07, y los métodos de referencia tampoco son exactos: Sartorius sitúa el error de un recuento offline de células viables en torno al 10 % S16.
Hay tres atajos con resultados medidos, cada uno procedente de un solo estudio. TU Delft calibró un proceso con levadura a partir de 16 espectros de compuestos individuales y predijo la glucosa con un error relativo del 4,8 % S14. FHNW y Merck KGaA construyeron bibliotecas espectrales sintéticas a partir de compuestos puros y predijeron la glucosa con un error de 0,27 g/L, frente a 0,20 g/L de un modelo con muestras enriquecidas físicamente S15. La calibración MIR de un solo punto de IRUBIS igualó a los modelos convencionales S21.
Dónde fallan los modelos
Amgen lo plantea sin rodeos: los modelos Raman calibrados solo son fiables en las condiciones en que se calibraron, y suelen degradarse con los cambios de receta, la variabilidad de las materias primas y la deriva S31. El resumen no da una tasa. Takeda añade que recalibrar con cada cambio de proceso consume muchísimos recursos S11. Los estudios que leímos documentan cuatro tipos de cambio.
Una línea celular nueva. Los modelos de glucosa y lactato de Takeda pasaron a una segunda línea celular con poca pérdida: un error normalizado del 3,00 % y el 2,81 % en la primera, y del 4,74 % y el 3,32 % en la segunda S11. Su modelo de título, no. Entrenado con muestras nativas, se equivocó en 0,125 g/L en su propia línea celular y en 0,776 g/L en la nueva S11, unas seis veces más. La causa era una correlación entre lactato y título en el proceso original S11. Con muestras enriquecidas en la calibración, los errores del título fueron de 0,266 y 0,325 g/L S11.

Un tanque mayor. GC Biopharma entrenó modelos con datos de Ambr 250 y los evaluó en cinco lotes de 5 L con otra sonda y otro detector, de modo que cambiaron a la vez la escala y el instrumento S13. La densidad de células viables, la glucosa y el lactato se transfirieron bien; la viabilidad, la glutamina, el glutamato, el amoniaco y la LDH, no S13. Elegir el preprocesado variable a variable redujo los errores, expresados como fracción del intervalo medido, del 15,8 % al 10,0 % en la viabilidad y del 18,0 % al 11,7 % en la glutamina; las secuencias de preprocesado se eligieron con los mismos cinco lotes de prueba, así que, a nuestro juicio, estas mejoras son optimistas S13. El mismo artículo muestra una trampa: un modelo que había superado la validación cruzada perdió su capacidad predictiva en la otra escala con solo cambiar el orden de los pasos de preprocesado S13. En Janssen, algunos modelos de glicosilación precisos a 5 L mostraron errores mayores a 2000 L, y añadir un solo lote de fabricación a la calibración mejoró la predicción de G2F en un 77,5 % S35. ICH Q14 recomienda incluir muestras a escala comercial en la calibración S03, y el documento de ICH de 2011 considera importante verificar a escala comercial un modelo de laboratorio cuando forma parte de la estrategia de control S05.
Una sonda nueva. Duquesne University y Bristol Myers Squibb pasaron un modelo de capacitancia de la fracción de células moribundas de una sonda at-line a sondas en línea. Transferido tal cual, el modelo era impreciso y sesgado; tras construir un modelo nuevo, aplicar una calibración global entre sondas y escalas y añadir un paso de preprocesado contra la interferencia de la alimentación, predijo la fracción con una raíz del error cuadrático medio de 6,56 puntos porcentuales S38. ICH Q14 recoge el caso contrario: un fallo puede venir del sistema de medida, por ejemplo de una interfaz de muestra mal alineada, y entonces el modelo no necesita actualizarse S03.
Un nuevo proveedor de instrumentos. Johnson & Johnson observó que el hardware y el software Raman dejan en los espectros huellas propias de cada proveedor, de modo que los modelos quedan atados a un proveedor, lo que complica las transferencias entre plantas y la sustitución de equipos antiguos. Dos métodos de transferencia de calibración redujeron las diferencias entre un sistema antiguo y uno nuevo S42. Leímos el resumen, que no da cifras de error.

Los eventos del proceso también pueden perturbar una señal. En el estudio de gases de salida, las adiciones de antiespumante y de alimentación aparecían de inmediato en las curvas de gases S22. Dos prácticas recogidas en los artículos reducen la falsa confianza: validar dejando fuera lotes completos, para que muestras de un mismo lote no se cuelen en la prueba S26, y evitar un exceso de variables latentes, que puede sobreajustar el modelo y obligar a actualizarlo más a menudo S03. Ninguna de las fuentes que leímos dice con qué frecuencia tuvo que recalibrar una planta en la práctica.
Capacitancia: acierta mientras las células crecen y falla cuando se hinchan
Una sonda de capacitancia se basa en que las células intactas se comportan como pequeños condensadores en un campo eléctrico, de modo que la señal es proporcional al volumen de células viables S17. Sartorius instaló estas sondas en biorreactores single-use de 50 a 2000 L en dos procesos industriales fed-batch con CHO S16. Los modelos lineales describieron el recuento de células viables con un R2 de 0,99 y 0,96, pero solo en la fase de crecimiento exponencial S16. En la fase de muerte las células se hinchan y la señal deja de seguir el recuento, por lo que el fabricante excluyó esos puntos de su ajuste S16. Las adiciones de alimentación se veían en la señal, así que la alimentación podía seguirse online S16.

Un segundo artículo de Sartorius midió lo que cuesta ese límite en un cultivo en perfusión de 26 días. Durante los primeros ocho días, un modelo de frecuencia única y otro multifrecuencia funcionaron igual de bien, con errores de 5,04 y 5,13 millones de células/mL S18. Entre el día 7 y el día 10, el diámetro de las células viables creció más de un 16 % S18. En el conjunto del cultivo, el error del modelo de frecuencia única subió a 7,75 millones de células/mL, frente a 4,05 millones del multifrecuencia S18, y a partir del día 8 los errores relativos medios fueron del 21 % y el 7 % S18. Los autores señalan que las aplicaciones online siguen recurriendo a menudo a una sola frecuencia S18. Un estudio de la University of Manitoba y el National Research Council of Canada, en parte una simulación, explica por qué: la señal depende tanto del tamaño como del número de células, y al final del cultivo aparece una subpoblación de células moribundas con propiedades distintas S19. WuXi Biologics señala la precisión en las fases estacionaria y de declive como un reto pendiente S39.

Los usos en control son la parte más sólida de las pruebas. Bristol Myers Squibb usó una sonda en línea para fijar la tasa de perfusión de los cultivos de siembra N-1, la etapa previa al biorreactor de producción (el funcionamiento de la perfusión se explica en Perfusión, explicada). La señal fue lineal con el recuento offline hasta 130 millones de células/mL, con R2 de 0,936 a 0,995 para seis clones S17, algo que se cumplió porque los cultivos N-1 se mantienen en crecimiento exponencial S17. Fijar la tasa de perfusión por célula en lugar de por volumen de tanque redujo el consumo de medio en torno a un 25 %, sin perjudicar el crecimiento S17. Una única tasa, 0,04 nL por célula y día, sirvió para cuatro de las seis líneas celulares S17, y las mismas sondas se usaron para escalar el proceso a una planta piloto de 200 L y a una sala GMP de 500 L S17. BMS describe también una alternativa de respaldo: un calendario fijo derivado de los cultivos con sonda, para plantas sin sonda o tras un fallo de la sonda; con un anticuerpo alcanzó 57 frente a 65 millones de células/mL, con un consumo de medio que difería un 4 % S17. Biogen usó la sonda en fabricación comercial GMP para automatizar la dilución del tren de siembra, con resultados consistentes en seis trenes de siembra GMP consecutivos S37; de este trabajo leímos el resumen.
Para el control de la purga (bleed) en perfusión hay pocas cifras. En los cultivos en perfusión de FHNW y Merck KGaA, una sonda de capacitancia mantuvo el volumen de células viables en el 12 % S15. En minibiorreactores de Sartorius, una purga gobernada por el recuento celular Raman mantuvo los cultivos en torno a 40 millones de células/mL con un error absoluto medio de 5,97 millones, frente a 3,90 millones cuando la purga seguía a un contador celular automático S10, es decir, alrededor del 15 % y el 10 % del objetivo según nuestro cálculo.
Soft sensors y modelos híbridos
Un soft sensor es, en palabras de la ICH Q13, un modelo que se usa «en lugar de una medida física» para estimar una variable a partir de datos de proceso S04. Todos los ejemplos con resultados medidos son a escala de desarrollo. Bilfinger y la BOKU calcularon la velocidad de consumo de oxígeno con un modelo dinámico de transferencia de oxígeno, sin analizador de gases de salida, y lo aplicaron a 13 cultivos fed-batch de CHO. En los cultivos que pudieron compararse con el análisis de gases de salida, la desviación media fue del 8 %, y la estimación siguió la evolución de la biomasa viable S23. Alexion, Amgen y Hamilton combinaron densidad óptica y permitividad en soft sensors de viabilidad, con el 96 % de los residuos dentro de un margen de más o menos un 5 %, y de densidad de células viables, con un R2 de 0,92 S40; de este trabajo leímos el resumen. Una red neuronal del National Research Council of Canada predijo el título, el crecimiento y los metabolitos del día siguiente con un R2 medio de 0,97 S25. Pero se construyó con 21 cultivos: 17 para el entrenamiento y cuatro reservados para la prueba, dos de ellos de un mismo pool celular S25.
Las comparaciones entre tipos de modelo apuntan en ambas direcciones. En cultivos en matraz agitado de UMass Lowell, un modelo mecanicista predijo mejor el crecimiento y el título con menos entradas, mientras que los modelos basados en datos acertaron más con los glicanos y se construyeron antes S24. El Imperial College London adaptó un modelo mecanicista a un sistema nuevo con un único conjunto de datos en el que se midieron todos los estados del modelo, que es lo que, según los autores, exige este tipo de transferencia S27. No encontramos ningún soft sensor ni modelo híbrido en uso GMP con su precisión publicada.
El downstream, en pocas palabras
Ninguno de los estudios de downstream que leímos aporta resultados a escala de fabricación. En 2017, un estudio del Karlsruhe Institute of Technology midió el anticuerpo en el efluente de la columna de Proteína A con espectros UV/Vis y un modelo de regresión, con un error de 0,06 mg/mL, y detuvo la carga automáticamente al alcanzar un breakthrough prefijado S28. El objetivo era dejar atrás las cargas fijadas de forma conservadora a partir de un título offline y de estudios de vida útil de la resina S28. El IIT Delhi usó celdas de flujo NIR para medir el anticuerpo en la cosecha cada 3 segundos, con un margen de más o menos 0,05 mg/mL, y controlar la carga en un sistema continuo de tres columnas S41; de este trabajo leímos el resumen. La ICH Q13 cita las celdas de flujo UV en línea para medir la concentración de proteína como ejemplo de PAT S04. Una revisión de 2026 firmada, entre otros, por Johnson & Johnson considera alta la madurez tecnológica de UV/Vis, índice de refracción, cromatografía líquida y espectrometría de masas; media la de Raman y FTIR, y baja la de la resonancia magnética nuclear (NMR) y la dispersión de luz S29.
Coste: casi nadie lo ha medido
La guía de la FDA enumera las ventajas esperadas (ciclos más cortos, menos rechazos, liberación en tiempo real, más automatización), pero sin cifras S01. El único ahorro medido que encontramos es el 25 % menos de medio en Bristol Myers Squibb S17, calculado frente a la tasa de plataforma de la propia compañía. La revisión estima precios para los analizadores de downstream: desde menos de 50.000 EUR para un detector de índice de refracción hasta más de 150.000 EUR para Raman y más de 200.000 EUR para espectrometría de masas S29. Son estimaciones de los autores, que no explican cómo las obtuvieron. El estudio de gases de salida describe un filtro obstruido que se detectó a tiempo S22, y el grupo de Manitoba considera que el recuento celular offline es caro y a menudo llega demasiado tarde para actuar S19. No encontramos nada sobre horas de trabajo ahorradas al tomar menos muestras manuales, lotes salvados, coste de instalación de un sistema upstream ni plazo de amortización. Sobre el coste, la respuesta honesta es que no se ha publicado.
Por dónde empezar
Pocas empresas llegan hasta el final. Un análisis de las evaluaciones de autorización en Japón halló que la proporción de nuevos principios activos desarrollados con elementos de quality by design pasó del 9 % en 2009 al 71 % en 2018, pero el design space solo se usó en el 2 % y el real time release testing en el 3 % S43. Los autores concluyen que los solicitantes no buscaron activamente esa flexibilidad S43. El análisis abarca todos los principios activos nuevos, no solo los biológicos, y leímos el resumen.
Hay tres primeros pasos con resultados publicados. Capacitancia en la perfusión N-1: un 25 % menos de medio, llevada ya a una sala GMP y con un calendario de respaldo por si falla la sonda S17. Capacitancia para la dilución del tren de inóculo: seis trenes de inóculo GMP consecutivos S37. Y control de glucosa con Raman, con menos glicación en tres empresas S32 S33 S34. Los dos primeros aprovechan la sonda donde mejor funciona: mientras las células crecen.

Lo demás son recomendaciones, y las propias fuentes lo admiten. La FDA aconseja empezar durante el desarrollo S01. Sartorius, que vende estos equipos, recomienda generar pronto los datos de calibración en biorreactores pequeños de alto rendimiento S10. Lonza defiende los modelos genéricos de plataforma porque un proceso suele ejecutarse solo una o dos veces en fabricación GMP S30. Bristol Myers Squibb sostiene que incluso una planta sin la sonda sale ganando con un proceso desarrollado con ella S17. IRUBIS señala como obstáculos el coste, la falta de componentes single-use, lo laborioso de la calibración y la necesidad de conocimientos de quimiometría S21.
Qué significa para una planta
- Empezar donde el beneficio está publicado. Capacitancia mientras las células crecen, en el tren de inóculo o en N-1 S17 S37, y control de glucosa con Raman S32 S33 S34.
- Exigir el error en cultivos independientes y dentro del rango propio. El R2 y los errores de validación cruzada maquillan los resultados: un modelo que había superado la validación cruzada falló igualmente a otra escala S13.
- Tratar la calibración como un proyecto. Planificar cultivos que varíen a propósito la densidad celular, la tasa de perfusión y los medios S10, y añadir patrón a las muestras (spiking) si el título importa S11.
- Dejar por escrito qué obliga a revisar el modelo. En los estudios que leímos, una nueva línea celular, una nueva escala y una nueva sonda bastaron, cada una, para romper un modelo, y cambiar de proveedor también cuenta, porque el modelo queda ligado a un instrumento S11 S13 S38 S42. Conviene tener un plan de respaldo, como hizo BMS con su calendario fijo S17.
- No fiarse de una lectura de capacitancia a frecuencia única cuando se detiene el crecimiento. Cuando las células se hincharon, su error triplicó el de un modelo multifrecuencia: 21 % frente a 7 % S18.
- Desconfiar de los modelos para lo que la sonda no ve. Funcionan por correlación S12, y el modelo de título de Takeda muestra lo que pasa cuando esa correlación cambia S11.
- Tratar la liberación en tiempo real como una decisión aparte. El RTRT requiere aprobación previa, y en la UE un resultado de RTRT no conforme no puede sustituirse por un ensayo sobre el producto final S06. En cambio, probar un analizador experimental con fines de investigación no requiere comunicarlo a la FDA S01.
Preguntas
¿Qué es la tecnología analítica de procesos (PAT) en biofabricación?
Según la ICH Q8(R2), un sistema para diseñar, analizar y controlar la fabricación mediante mediciones oportunas de atributos críticos de calidad y de rendimiento S02. En un biorreactor suele traducirse en sondas como Raman, NIR o capacitancia, leídas in-line u on-line, junto con los modelos que convierten sus señales en concentraciones o recuentos celulares.
¿Exigen la FDA o la EMA el uso de PAT?
No. La guía de 2004 de la FDA lo califica de voluntario S01, y las guías ICH Q8(R2), Q13 y Q14 y la directriz de la EMA dejan claro que ni el enfoque mejorado ni el real time release testing son obligatorios S02 S04 S03 S06. Si una empresa opta por la liberación en tiempo real, necesita aprobación previa S01 S06.
¿Qué puede medir la espectroscopia Raman en un biorreactor?
Lo más fiable es la glucosa, con errores de 0,20 a 0,44 g/L en los estudios que leímos S09 S10 S15 S30. El lactato suele funcionar, aunque un modelo falló cuando el lactato variaba demasiado poco S09. También pueden modelarse el glutamato, el amonio, el recuento de células viables y el título, pero con errores mayores: en un estudio, el título y los recuentos celulares se desviaron entre un 21 y un 24 % de su media S10.
¿Para qué sirve una sonda de capacitancia en cultivo celular?
Para estimar en tiempo real la densidad de células viables o el volumen celular viable. Funciona bien en la fase de crecimiento, con un R2 de 0,99 hasta 2.000 L S16, y se usa para controlar las tasas de perfusión y la dilución del tren de inóculo S17 S37. Cuando el crecimiento se detiene, la lectura a frecuencia única deriva porque las células cambian de tamaño S16 S18.
¿Qué es el real time release testing?
Juzgar la calidad de un lote a partir de datos de proceso en lugar de ensayos sobre el producto terminado S01. Sustituye a los ensayos de producto final, pero no a la revisión GMP del lote S02.
¿Cada cuánto hay que recalibrar los modelos PAT?
Ningún regulador da una cifra. La ICH Q14 pide comprobaciones periódicas y ante determinados eventos frente a resultados de referencia S03, la ICH Q13 un mantenimiento rutinario y continuo S04, y la frecuencia queda a criterio del análisis de riesgos de cada empresa S05. En la práctica, los estudios que leímos muestran modelos que fallan tras un cambio de línea celular, de escala o de sonda, y modelos ligados a un único proveedor de instrumentos S11 S13 S38 S42.
¿Qué es un soft sensor?
Un modelo que sustituye a una medida física para estimar una variable a partir de datos de proceso S04. Un ejemplo, aplicado a 13 cultivos de CHO, estimó la velocidad de consumo de oxígeno con una desviación media del 8 % respecto al análisis de gases de salida en los cultivos que pudieron compararse S23.
Qué no pudimos verificar
- Los documentos de la FDA posteriores a 2004, como su programa de tecnologías emergentes: la web de la FDA no permitió descargarlos, así que la posición de la FDA que recogemos se limita a la guía de 2004. No leímos ICH Q12.
- Datos primarios sobre fluorescencia 2D, HPLC en línea con muestreo automatizado, ensuciamiento de las sondas, efectos de la esterilización o sondas single-use.
- Con qué frecuencia una planta ha tenido que recalibrar un modelo en la práctica.
- Un soft sensor o un modelo híbrido en uso GMP con precisión publicada, y cualquier resultado de PAT en downstream a escala de fabricación.
- Una encuesta sobre la adopción de PAT en biofabricación; la única cifra de adopción procede de revisiones japonesas de todos los nuevos principios activos S43.
- Coste, mano de obra y plazo de amortización.
- Las condiciones de los resultados de los que solo leímos el resumen, incluidos los tres estudios de control de glucosa con datos de calidad de producto S32 S33 S34 y los estudios de Raman a escala de fabricación S35 S36.
Fuentes
- S01 U.S. Food and Drug Administration (CDER, CVM, ORA), Guidance for Industry. PAT, A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance. Guía de la FDA para la industria, septiembre de 2004, 2004 (documento regulatorio). Publicado antes de 2015.
- S02 International Council for Harmonisation (ICH) Expert Working Group, ICH Q8(R2) Pharmaceutical Development. Directriz tripartita armonizada de la ICH, etapa 4 (R2 agosto de 2009), 2009 (documento regulatorio). Publicado antes de 2015.
- S03 International Council for Harmonisation (ICH) Expert Working Group, ICH Q14 Analytical Procedure Development. Directriz armonizada de la ICH, adoptada el 1 de noviembre de 2023, 2023 (documento regulatorio).
- S04 International Council for Harmonisation (ICH) Expert Working Group, ICH Q13 Continuous Manufacturing of Drug Substances and Drug Products. Directriz armonizada de la ICH, adoptada el 16 de noviembre de 2022, 2022 (documento regulatorio).
- S05 ICH Quality Implementation Working Group, ICH Quality Implementation Working Group Points to Consider (R2): ICH-Endorsed Guide for ICH Q8/Q9/Q10 Implementation. ICH, documento fechado el 6 de diciembre de 2011, 2011 (documento regulatorio). Publicado antes de 2015.
- S06 European Medicines Agency, CHMP, Guideline on Real Time Release Testing (formerly Guideline on Parametric Release), EMA/CHMP/QWP/811210/2009-Rev1. Directriz científica de la EMA, en vigor desde el 1 de octubre de 2012, 2012 (documento regulatorio). Publicado antes de 2015.
- S07 International Council for Harmonisation (ICH) Expert Working Group, ICH Q2(R2) Validation of Analytical Procedures. Directriz armonizada de la ICH, adoptada en 2023, 2023 (documento regulatorio).
- S08 European Medicines Agency, CHMP and CVMP, Reflection paper on the use of Artificial Intelligence (AI) in the medicinal product lifecycle, EMA/CHMP/CVMP/83833/2023. Documento de reflexión de la EMA, versión final del 9 de septiembre de 2024, 2024 (documento regulatorio).
- S09 Graf A et al., A Novel Approach for Non-Invasive Continuous In-Line Control of Perfusion Cell Cultivations by Raman Spectroscopy. Front Bioeng Biotechnol 10:719614, 2022. Afiliaciones: Sartorius Stedim Biotech (proveedor de los biorreactores, la celda de flujo Raman y el software utilizados) con Reutlingen University (centro académico). Firmado por el proveedor.
- S10 Machleid R et al., Advancing Raman Calibration: Automated Data Generation, Monitoring, and Control in Multi-Parallel Perfusion Mini Bioreactors. Biotechnol J 21:e70208, 2026. Afiliaciones: Sartorius Stedim Biotech, Sartorius Stedim Cellca, Sartorius Stedim Data Analytics (proveedor del sistema Ambr, la celda de flujo Raman y el software SIMCA) con Umea University. Firmado por el proveedor.
- S11 Umprecht A et al., Rapid development of a transferable Raman model using high-throughput cell culture for monitoring monoclonal antibody titer. Biotechnol Prog e88506, 2026. Afiliaciones: Takeda (Baxalta Innovations, Viena; Takeda Lexington), empresa biofarmacéutica, con TU Wien (centro académico). Equipos: Sartorius Ambr 250 y BioPAT Spectro.
- S12 Tanemura H et al., Comprehensive modeling of cell culture profile using Raman spectroscopy and machine learning. Sci Rep 13:21805, 2023. Afiliaciones: Daiichi Sankyo (empresa biofarmacéutica).
- S13 Han SH et al., Variable-specific preprocessing enables cross-scale transferable Raman models from high-throughput bioreactor data. Bioresour Bioprocess 13:122, 2026. Afiliaciones: GC Biopharma (empresa biofarmacéutica, MSAT) con Sungkyunkwan University (centro académico).
- S14 Klaverdijk M et al., Towards Rapid Calibration of Bioprocess Quantification Models Using Single Compound Raman Spectra: A Comparison of Four Approaches. Biotechnol Bioeng 123:324-336, 2026. Afiliaciones: TU Delft (centro académico). Procesos con levadura (microbianos).
- S15 Hellequin LV et al., Synthetic spectral libraries for Raman model calibration. Anal Bioanal Chem 417:5675-5689, 2025. Afiliaciones: FHNW y RWTH Aachen (centros académicos) con Merck KGaA Biotech Process Sciences (empresa biofarmacéutica) y Levitronix (proveedor de bombas, afiliación de uno de los coautores).
- S16 Metze S et al., Monitoring online biomass with a capacitance sensor during scale-up of industrially relevant CHO cell culture fed-batch processes in single-use bioreactors. Bioprocess Biosyst Eng 43:193-205, 2020. Afiliaciones: Sartorius Stedim Biotech (proveedor de los biorreactores single-use y de la integración del sensor de capacitancia). Artículo revisado por pares firmado por el proveedor.
- S17 Rittershaus ESC et al., N-1 Perfusion Platform Development Using a Capacitance Probe for Biomanufacturing. Bioengineering (Basel) 9:128, 2022. Afiliaciones: Bristol Myers Squibb (empresa biofarmacéutica). Sonda: Hamilton Incyte.
- S18 Lemke J et al., Online deployment of an O-PLS model for dielectric spectroscopy-based inline monitoring of viable cell concentrations in Chinese hamster ovary cell perfusion cultivations. Eng Life Sci 23:e2200053, 2023. Afiliaciones: Sartorius (proveedor del SCADA y del software multivariante utilizados). Comunicación breve firmada por el proveedor.
- S19 Salimi E et al., Sensitivity of bulk electrical impedance spectroscopy (bio-capacitance) probes to cell and culture properties: Study on CHO cell cultures. Biotechnol Prog 41:e3519, 2025. Afiliaciones: University of Manitoba (centro académico) y National Research Council Canada (organismo público de investigación). Análisis de sensibilidad basado en modelos con datos de cultivos batch de CHO.
- S20 Kozma B et al., On-line glucose monitoring by near infrared spectroscopy during the scale up steps of mammalian cell cultivation process development. Bioprocess Biosyst Eng 42:921-932, 2019. Afiliaciones: Budapest University of Technology and Economics (centro académico) con Gedeon Richter (empresa biofarmacéutica, planta de producción donde se hicieron los ensayos).
- S21 Marienberg H et al., Automized inline monitoring in perfused mammalian cell culture by MIR spectroscopy without calibration model building. Eng Life Sci 24:e2300237, 2024. Afiliaciones: IRUBIS GmbH (proveedor del analizador MIR) con Amgen Research (empresa biofarmacéutica). Con coautoría del proveedor.
- S22 Goh HY et al., Applications of off-gas mass spectrometry in fed-batch mammalian cell culture. Bioprocess Biosyst Eng 43:483-493, 2020. Afiliaciones: University College London (centro académico) con Thermo Fisher Scientific (proveedor del espectrómetro de masas). Con coautoría del proveedor.
- S23 Pappenreiter M et al., Oxygen Uptake Rate Soft-Sensing via Dynamic kLa Computation: Cell Volume and Metabolic Transition Prediction in Mammalian Bioprocesses. Front Bioeng Biotechnol 7:195, 2019. Afiliaciones: Bilfinger Industrietechnik Salzburg (empresa de ingeniería) con BOKU Vienna (centro académico).
- S24 Liang G et al., Soft-sensor model development for CHO growth/production, intracellular metabolite, and glycan predictions. Front Mol Biosci 11:1441885, 2024. Afiliaciones: University of Massachusetts Lowell (centro académico). Datos en matraces agitados.
- S25 Reyes SJ et al., A recurrent neural network for soft sensor development using CHO stable pools in fed-batch process for SARS-CoV-2 spike protein production as a vaccine antigen. Biotechnol Prog 41:e70046, 2025. Afiliaciones: National Research Council Canada (organismo público de investigación) con Polytechnique Montreal (centro académico).
- S26 Del Hierro AG et al., Real-Time Biomass Estimation in High-Density Yeast Fermentations Using Soft Sensor Modeling. Biotechnol Bioeng 123:2389-2405, 2026. Afiliaciones: University College Dublin (centro académico) con Bionet (fabricante español de biorreactores, Fuente Alamo) y Probelte/Agronova Biotech (empresa española). Con coautoría del proveedor.
- S27 Yu L et al., Model-Enabled Knowledge Transfer Across Cell Lines, Culture Scales and Conditions. Biotechnol Bioeng 123:2613-2628, 2026. Afiliaciones: Imperial College London (centro académico).
- S28 Rüdt M et al., Real-time monitoring and control of the load phase of a protein A capture step. Biotechnol Bioeng 114:368-373, 2017. Afiliaciones: Karlsruhe Institute of Technology (centro académico).
- S29 Carvalho M et al., A Review on Quantitative Process Analytical Technology for Continuous Downstream Processing of Monoclonal Antibodies. Biotechnol Bioeng 123:564-581, 2026 (revisión). Afiliaciones: TU Delft (centro académico) con Johnson & Johnson Innovative Medicine (empresa biofarmacéutica). Revisión: la usamos como guía y por sus estimaciones de costes, que son de los propios autores.
- S30 Webster TA et al., Development of generic Raman models for a GS-KO CHO platform process. Biotechnol Prog 34:730-737, 2018. Afiliaciones: Lonza Biologics (CDMO, plataforma propia). Se leyó el resumen.
- S31 Tulsyan A et al., Automatic real-time calibration, assessment, and maintenance of generic Raman models for online monitoring of cell culture processes. Biotechnol Bioeng 117:406-416, 2020. Afiliaciones: Amgen (empresa biofarmacéutica). Se leyó el resumen.
- S32 Berry BN et al., Quick generation of Raman spectroscopy based in-process glucose control to influence biopharmaceutical protein product quality during mammalian cell culture. Biotechnol Prog 32:224-234, 2016. Afiliaciones: Biogen (empresa biofarmacéutica). Anterior a 2018, trabajo pionero en el control de glucosa por Raman. Se leyó el resumen.
- S33 Gibbons L et al., An assessment of the impact of Raman based glucose feedback control on CHO cell bioreactor process development. Biotechnol Prog 39:e3371, 2023. Afiliaciones: Janssen (Johnson & Johnson), empresa biofarmacéutica, con Munster Technological University. Se leyó el resumen.
- S34 Banner M et al., Advanced glucose control strategies leveraging Raman spectroscopy for optimized mammalian cell culture manufacturing. Biotechnol Prog e88531, 2026. Afiliaciones: AstraZeneca (empresa biofarmacéutica) con University College London. Se leyó el resumen.
- S35 Gibbons LA et al., Raman based chemometric model development for glycation and glycosylation real time monitoring in a manufacturing scale CHO cell bioreactor process. Biotechnol Prog 38:e3223, 2022. Afiliaciones: Janssen (Johnson & Johnson), empresa biofarmacéutica, con Munster Technological University. Se leyó el resumen.
- S36 Shen Y et al., Machine Learning-Enhanced Generic Raman Model for Commercial-Scale Cell Culture Process Monitoring. Biotechnol J 21:e70309, 2026. Afiliaciones: BioRay Biopharmaceutical (empresa biofarmacéutica) con Zhejiang University. Se leyó el resumen.
- S37 Moore B et al., Case study: The characterization and implementation of dielectric spectroscopy (biocapacitance) for process control in a commercial GMP CHO manufacturing process. Biotechnol Prog 35:e2782, 2019. Afiliaciones: Biogen (empresa biofarmacéutica). Se leyó el resumen.
- S38 Wu S et al., Capacitance spectroscopy enables real-time monitoring of early cell death in mammalian cell culture. Biotechnol J 18:e2200231, 2023. Afiliaciones: Duquesne University (centro académico) con Bristol-Myers Squibb (empresa biofarmacéutica). Se leyó el resumen.
- S39 Sun Y et al., Real-Time Auto Controlling of Viable Cell Density in Perfusion Cultivation Aided by In-Line Dielectric Spectroscopy With Segmented Adaptive PLS Model. Biotechnol Bioeng 122:858-869, 2025. Afiliaciones: WuXi Biologics (CDMO). Se leyó el resumen.
- S40 Suman S et al., In-line prediction of viability and viable cell density through machine learning-based soft sensor modeling and an integrated systems approach: An industrially relevant PAT case study. Biotechnol Prog 41:e3520, 2025. Afiliaciones: Alexion y Amgen (empresas biofarmacéuticas) con Hamilton Company (proveedor de las sondas de densidad óptica y de permitividad). Con coautoría del proveedor. Se leyó el resumen.
- S41 Thakur G et al., An NIR-based PAT approach for real-time control of loading in Protein A chromatography in continuous manufacturing of monoclonal antibodies. Biotechnol Bioeng 117:673-686, 2020. Afiliaciones: Indian Institute of Technology Delhi (centro académico). Se leyó el resumen.
- S42 Myers NM et al., Calibration Transfer Across Instrument Vendors for Bioprocess Raman Monitoring. AAPS J 28:5, 2025. Afiliaciones: Johnson & Johnson Innovative Medicine (empresa biofarmacéutica). Se leyó el resumen.
- S43 Kajiwara E et al., Impact of Quality by Design Development on the Review Period of New Drug Approval and Product Quality in Japan. Ther Innov Regul Sci 54:1192-1198, 2020. Afiliaciones: Tokyo University of Science (centro académico); el primer autor pertenece también a MSD K.K. (empresa biofarmacéutica). Estudio de los informes de evaluación de la PMDA. Se leyó el resumen.


