Yokogawa erwirbt mit Insilico Biotechnology einen Entwickler von Digital Twin-basierter Technologie für Bioprozesse

Unter anderem infolge der COVID-19-Pandemie steigt die Nachfrage nach Biopharmazeutika mit weniger Nebenwirkungen, die zur Behandlung von Patienten mit seltenen und schwer behandelbaren Krankheiten eingesetzt werden können. Im Gegensatz zur Herstellung chemisch synthetisierter Allzweckarzneimittel liegen die Gesamtkosten bei Biopharmazeutika weitaus höher. Zudem erfordert der komplexe Zellkultivierungsprozess, der zur effizienten und stabilen Gewinnung der Zielproteine notwendig ist, strenge Qualitätskontrollmaßnahmen. Diese stellen bei der Massenproduktion eine große Herausforderung dar.

Die Anzahl der in einem Bioreaktor kultivierten Zellen ist immens. Da diese Zellen in ihrer Gesamtheit diejenigen Substanzen erzeugen, die als Wirkstoffe von Arzneimitteln eingesetzt werden, ist es notwendig, ihre individuellen Stoffwechselreaktionen genauestens zu überwachen. Ebenfalls wichtig sind dabei die Echtzeit-Visualisierung und -Analyse von Umweltfaktoren wie Änderungen des pH-Werts und der Konzentration von gelöstem Sauerstoff. Dabei hat sich die zur Durchführung der Zellproduktion erforderliche Steuerung der komplexen Zellreaktionssysteme mit ihrer extrem großen Anzahl von Parametern als äußerst schwierig erwiesen.

Die von Insilico entwickelte Digital Twin-Technologie nutzt ein leistungsfähiges Hybridmodell, das sich

– aus einem mechanistischen Modell¹ der eindeutigen Merkmale eines intrazellulären Stoffwechselnetzwerks und
– einem datenbasierten Modell², das mithilfe eines maschinellen Lernprozesses aus Prozessdaten erstellt wird,

zusammensetzt.

Die Möglichkeiten zur Vorhersage und Simulation beschleunigen nicht nur den bislang mehrere Jahre erfordernden Entwicklungsprozess, sondern ermöglichen auch ein tieferes Verständnis des Stoffwechselprozesses.

Da die Lösung die Erstellung von Stoffwechselmodellen für Bakterien und andere Arten zellulärer Organismen ermöglicht, kann sie bei weiteren Anwendungen zur Erzeugung von Lebensmitteln, Chemikalien und anderen Produkten mithilfe von Biotechnologie eingesetzt werden.

Auch bei der Produktion ermöglicht die Digital Twin-Technologie von Insilico eine Echtzeitanalyse der Prozessdaten, wodurch

– die konstante Vorhersage der Produktionsleistung der Kulturen
– Soft Sensing nicht direkt messbarer Nährstoffkomponenten
– frühzeitiges Erkennen von Prozessanomalien und
– die Bereitstellung von Arbeitsanweisungen

für Bediener ermöglicht wird.

Die Digital Twin-Technologie macht es möglich, die Produktqualität zu stabilisieren, und trägt damit entscheidend zu einer effizienteren Massenproduktion bei.

Klaus Mauch, CEO der Insilico Biotechnology AG: „Wir setzen große Erwartungen in diese Fusion zwischen unserer richtungsweisenden Digital Twin-Technologie für Bioprozesse und den Lösungen von Yokogawa für pharmazeutische Produktionssysteme. Ich bin davon überzeugt, dass wir durch das globale Netzwerk von Yokogawa unsere Vertriebskanäle ausbauen und einen entscheidenden Beitrag für die biopharmazeutische Industrie leisten können.“

Hiroshi Nakao, Vice President von Yokogawa und Leiter des Life Business Headquarters: „Ich bin völlig sicher, dass die innovative Digital Twin-Technologie von Insilico, die sich bereits jetzt bei großen biopharmazeutischen Unternehmen bewährt hat, die digitale Transformation in der Bioprozessindustrie beschleunigen wird. Nun werden wir unsere Engineering-Technologie dazu einsetzen, um den Tätigkeitsbereich unseres Unternehmens im Hinblick auf die Kommerzialisierung von Bioprozessen zu erweitern.“

Über Insilico Biotechnology AG

– Gründung: 2001
– Ort: Stuttgart
– CEO: Klaus Mauch
– Belegschaft: 29
– Geschäftstätigkeit: Entwicklung von Digital Twin-basierter Software und Bereitstellung von Dienstleistungen für Bioprozesse

https://www.insilico-biotechnology.com/

¹ Mechanistisches Modell: Ein Modell, das entsprechend den grundlegenden Prinzipien der betreffenden Reaktion oder des betreffenden Mechanismus entwickelt wird, sodass zur Konstruktion des Modells ein fundiertes Wissen und ein umfangreiches Verständnis des Prozesses erforderlich sind. Das sich daraus ergebende Modell verfügt über Variablen und Parameter, die physikalisch interpretiert werden können und ermöglicht auf diese Weise weitergehende Verallgemeinerungen. Ein derartig hochpräzises physikalisches Modell erfordert jedoch hohe Entwicklungs- und Rechenkosten.

² Datenbasiertes Modell: Im Gegensatz zu mechanistischen Modellen sind hier keine Kenntnisse über die grundlegenden Prinzipien des jeweiligen Prozesses erforderlich. Zu den Vorteilen zählen daher eine einfache Implementierung und relativ geringe Entwicklungs- und Rechenkosten. Nachteile ergeben sich jedoch aus den Schwierigkeiten bei der Interpretation der Daten nach Erstellung von Prognosen oder Simulationen und bei der Verallgemeinerung der Ergebnisse. Ein weiterer Nachteil dieser Technik besteht darin, dass zur Erstellung des Modells große Mengen an Prozessdaten benötigt werden.