La Cátedra de Control del Instituto de Ingeniería Química y de Procesos de la Technische Universität Berlin publicó el 3 de noviembre de 2026 en Biotechnology Progress un método para calibrar la espectroscopia Raman en línea en fermentaciones de Saccharomyces cerevisiae (levadura). Este artículo se basa solo en el resumen, que era la parte del trabajo a la que tuvimos acceso. No hemos leído el texto completo.
El problema que aborda
Según el resumen, la espectroscopia Raman es una tecnología analítica de proceso in situ prometedora para el upstream. Lo difícil sigue siendo llevar un modelo de calibración ya entrenado a fermentaciones nuevas e independientes sin volver a calibrarlo. Los autores señalan dos causas: las referencias de muestra escasas (SaR), es decir, pocas medidas offline con las que entrenar, y la deriva de la predicción por la fluorescencia y la turbidez que provoca la biomasa.
Dos intervenciones
Las Simulation-Informed References (SiR, referencias derivadas de simulación) aportan etiquetas de glucosa, amonio y fosfato. Se obtienen de un balance de materia no reactivo, guiado por la alimentación, en una fermentación específica sin inocular, donde la concentración de sustrato depende solo de la alimentación y la dilución. El resumen indica que las etiquetas SiR coincidieron mucho con los valores SaR.
El Biomass-augmented Feature (BaF) introduce la biomasa predicha por Raman como variable adicional en el modelo de sustrato. El resumen la presenta como un indicador indirecto de la interferencia espectral residual que causa la biomasa.
Qué se probó
Los autores hicieron una búsqueda en malla entre opciones de preprocesado ya establecidas y seis métodos de calibración, desde lineales hasta bayesianos no paramétricos y redes neuronales. La referencia de comparación fue la calibración convencional con SaR. Se entrenó con dos fermentaciones, se eligió el modelo con otra distinta y la evaluación final se hizo con una fermentación de prueba reservada.
En la fermentación de prueba, los mejores modelos alcanzaron una raíz del error cuadrático medio normalizada (NRMSE, un error de predicción escalado en el que cuanto más bajo, mejor) de 0,203 para la biomasa (etiquetas SaR), 0,206 para la glucosa (SiR), 0,350 para el amonio (SiR más BaF) y 0,598 para el fosfato (SiR). En el fosfato, SiR dio un R2 de 0,64 frente a -1,2 con SaR. El R2 mide qué parte de la variación explica el modelo, y un valor negativo significa que lo hizo peor que limitarse a predecir la media. El resumen no aclara cómo se normalizó el error.
Los autores afirman que el error de predicción que queda limita su uso como herramienta única de control del proceso. El mejor preprocesado, algoritmo de aprendizaje y aumento de variables cambió según el analito, lo que interpretan como un argumento para seleccionar el modelo por analito en lugar de usar una única cadena de calibración universal.
Fuentes
- Wiley, Biotechnology Progress: SIM-CaliRam (resumen), 3 nov 2026.


