Wynik bez pobierania próbki? Raman coraz bliżej monitorowania bioprocesu w czasie rzeczywistym

W produkcji biologicznej czas uzyskania informacji o procesie bywa równie istotny jak sam wynik. Klasyczne oznaczenia laboratoryjne wymagają pobrania próbki, przygotowania jej do analizy i wykonania testu. Gdy wynik trafia do operatora, proces może znajdować się już w innym punkcie niż w chwili pobrania materiału.

Badania opublikowane latem 2026 r. pokazują, że spektroskopia Ramana może stopniowo przesuwać część analityki z laboratorium bezpośrednio do bioreaktora i etapów oczyszczania. W sierpniu w Biotechnology and Bioengineering opisano system wykorzystujący spektroskopię Ramana i model predykcyjny do monitorowania produkcji wektora lentiwirusowego. Autorzy przewidywali w czasie procesu stężenie glukozy, mleczanu, gęstość żywych komórek oraz miano wektora. Kilka dni później w Pharmaceutics ukazało się kolejne badanie dotyczące wykorzystania Ramana do monitorowania etapów ultrafiltracji i diafiltracji podczas oczyszczania wektorów wirusowych. Nie jest to jeszcze zastępstwo dla laboratorium QC. Kierunek jest jednak wyraźny: coraz więcej informacji o jakości procesu ma być dostępnych w czasie jego prowadzenia, a nie dopiero po zakończeniu operacji.

Dlaczego offline bywa problemem w bioprocesie

Hodowla komórkowa nie jest układem statycznym. Zużycie składników odżywczych, produkcja metabolitów, zmiany gęstości komórek i kondycji kultury zachodzą przez cały czas prowadzenia procesu. Jeżeli analiza glukozy, mleczanu albo innego parametru wykonywana jest co kilka godzin, pomiędzy kolejnymi próbkami powstaje luka informacyjna. Operator widzi punkty pomiarowe, ale nie zawsze widzi dokładny przebieg zmian pomiędzy nimi. Sonda Raman może generować dane znacznie częściej. Dzięki temu system nie musi jedynie odpowiadać na pytanie: „jaki jest poziom parametru teraz?”. Może również pokazywać tempo oraz kierunek jego zmiany. Dla produkcji ma to duże znaczenie, bo wczesne wykrycie trendu może dać więcej czasu na reakcję niż późniejsze stwierdzenie przekroczenia limitu.

Co właściwie mierzy Raman?

Spektroskopia Ramana wykorzystuje interakcję światła z cząsteczkami znajdującymi się w analizowanym materiale. Powstające widmo zawiera informacje o składzie chemicznym próbki. W prostych mieszaninach interpretacja może być stosunkowo bezpośrednia. W hodowli komórkowej sytuacja jest dużo bardziej skomplikowana. Pożywka zawiera wiele substancji, do tego dochodzą metabolity, komórki i inne składniki procesu. Ich sygnały nakładają się na siebie. Dlatego sama sonda nie wystarcza. Potrzebny jest model matematyczny potrafiący powiązać złożony obraz widma z wartością interesującego parametru.

Autorzy sierpniowego badania zastosowali model oparty m.in. na jednowymiarowej sieci konwolucyjnej, mechanizmach attention i analizie zależności czasowych. Celem było poprawienie predykcji względem klasycznych metod analizy widmowej. Najbardziej interesująca była możliwość przewidywania viral titer, czyli parametru znacznie bardziej złożonego niż samo stężenie glukozy.

Miano wirusa bez oczekiwania na klasyczny test

W produkcji wektorów wirusowych miano należy do parametrów mających bezpośrednie znaczenie dla oceny wydajności procesu. Oznaczenia wymagają jednak specjalistycznych metod, a wynik nie pojawia się natychmiast. Jeżeli model oparty na danych Raman potrafi wiarygodnie szacować zmianę miana w czasie procesu, może stać się dodatkowym źródłem informacji dla zespołu produkcyjnego. Nie powinno się tego interpretować jako automatycznego zastąpienia oznaczenia referencyjnego. Znacznie bardziej prawdopodobny model wdrożenia wygląda inaczej: Raman dostarcza bieżącego obrazu procesu, natomiast laboratorium nadal wykonuje metody referencyjne wymagane do zwolnienia lub potwierdzenia jakości. Producent zyskuje więc drugą warstwę danych.

PAT ma zmniejszyć opóźnienie informacyjne

To właśnie istota Process Analytical Technology. Celem PAT nie jest przeniesienie całego QC na linię produkcyjną, lecz uzyskanie lepszego zrozumienia i kontroli procesu poprzez pomiary wykonywane w czasie jego trwania. W bioprocesach ma to szczególne znaczenie. Jeżeli zmiana stężenia metabolitu albo kondycji hodowli zostanie wykryta kilka godzin wcześniej, łatwiej ocenić jej przyczynę i wpływ na dalszy przebieg procesu. Technologia może również ograniczyć liczbę niepotrzebnych pobrań próbek. Każde pobranie z bioreaktora jest ingerencją w system i musi być prowadzone w sposób kontrolowany. Pomiar wykonywany przez sondę bezpośrednio w instalacji eliminuje część tych operacji.

Raman nie kończy się na upstreamie

Drugie badanie z sierpnia 2026 r. rozszerza ten kierunek na downstream. Naukowcy oceniali wykorzystanie Ramana do monitorowania ultrafiltracji i diafiltracji w procesie oczyszczania wektorów wirusowych. To istotne, ponieważ PAT często kojarzy się przede wszystkim z bioreaktorem. Tymczasem intensyfikacja bioprocesów wymaga coraz lepszej widoczności również podczas koncentracji, wymiany buforu i oczyszczania. Jeżeli jedna platforma analityczna może dostarczać informacji na kilku etapach procesu, rośnie możliwość budowy bardziej spójnej strategii monitoringu.

Najtrudniejsza część zaczyna się przy wdrożeniu do GMP

Publikacja naukowa potwierdzająca dobrą predykcję nie oznacza automatycznie gotowego systemu produkcyjnego. Zakład musiałby odpowiedzieć na szereg pytań. Jak duży zakres zmienności procesu został uwzględniony podczas budowy modelu? Czy model działa po zmianie partii pożywki? Co wydarzy się po zmianie dostawcy surowca? Jak wpływa wymiana sondy? Kiedy konieczna jest ponowna kalibracja? Kto zatwierdza nową wersję modelu? To klasyczne zagadnienia lifecycle management, tylko przeniesione na nowy rodzaj narzędzia analitycznego. Model musi być traktowany jak element systemu pomiarowego, a nie jak niezależny program generujący wynik. W środowisku GMP równie ważne jak accuracy są: kontrola wersji, integralność danych, śledzenie zmian, zarządzanie wyjątkami i zdefiniowanie zakresu, w którym predykcja pozostaje wiarygodna.

Co jeśli proces znajdzie się poza zakresem modelu?

To jeden z najciekawszych problemów. Model uczony na określonych danych dobrze rozpoznaje sytuacje podobne do tych, które już zna. Produkcja nie zawsze zachowuje się jednak dokładnie tak samo. Nowa partia surowca, inna kondycja inoculum, zmiana skali, drobna różnica temperatury czy zużycie elementów procesu mogą przesunąć dane poza przestrzeń, na której model został zbudowany. Wtedy system nie powinien bezwarunkowo podawać wyniku jako pewnego. Potrzebne są mechanizmy wykrywania out-of-domain data oraz zasady postępowania, gdy model przestaje działać w zwalidowanym zakresie. W przyszłości to właśnie ten obszar może decydować, czy zaawansowane modele predykcyjne pozostaną narzędziem R&D, czy staną się pełnoprawną częścią kontroli procesu GMP.

Nie tylko terapie genowe

Opisane badania dotyczą wektorów wirusowych, więc bezpośrednim odbiorcą technologii jest przede wszystkim przemysł biofarmaceutyczny. Sam kierunek jest jednak szerszy. Raman może być stosowany również w fermentacji i innych procesach biologicznych, gdzie istotne jest bieżące śledzenie składników pożywki, metabolitów albo biomasy. To może być interesujące także dla producentów wykorzystujących fermentację do wytwarzania składników nutraceutycznych, kultur mikroorganizmów czy wybranych surowców biologicznych. To jednak potencjalne zastosowanie wynikające z charakteru technologii PAT, a nie bezpośredni wniosek z badania dotyczącego lentiwirusów.

Kontrola jakości przesuwa się z końca procesu do jego wnętrza

Najciekawsza zmiana nie polega więc na tym, że Raman jest coraz dokładniejszy. Zmienia się miejsce, w którym powstaje informacja jakościowa.

Tradycyjny model:
proces → próbka → laboratorium → wynik → decyzja.

Model oparty na PAT:
proces → ciągły pomiar → trend → decyzja procesowa, a następnie niezależne potwierdzenie wybranymi metodami referencyjnymi.

Dla zakładów biologicznych oznacza to możliwość przechodzenia od reakcji na wynik do wcześniejszego zarządzania trendem. I właśnie w tym kierunku rozwija się współczesna analityka procesowa.