綜合編譯：John Xie

　　制藥業(yè)為何需要數(shù)字化轉型 COVID-19 大流行擾亂了藥品制造――疫苗開發(fā)的速度和推出改變了行業(yè)期望，給制造商帶來了更快交付的新壓力。但是，供應鏈對這種需求的反應并不夠快，不是對于疫苗，也包括與COVID-19無關的藥物。確保組織能夠預測產(chǎn)品需求并相應調(diào)整產(chǎn)量對于與供應鏈伙伴成功合作至關重要。但是，許多公司仍使用基本的技術進行協(xié)調(diào)，這并不能實現(xiàn)集中調(diào)度。

　　為了滿足新的行業(yè)期望，組織也應實施有助于預測性維護的技術。根據(jù)設定的時間表替換設備部件，而不是在需要關注時，這無疑會導致不必要的停工時間，影響生產(chǎn)，造成效率低下，這些都是藥品組織無法承受的。歸根結底，大流行病經(jīng)證明，運行在較為基礎的IT 系統(tǒng)上的系統(tǒng)，難以推動行業(yè)的發(fā)展。

　　機器學習提供實時數(shù)據(jù)

　　醫(yī)藥制造設備公司和技術提供商正在探索人工智能（AI）如何優(yōu)化過程控制系統(tǒng)。意大利藥品機械制造商Luperini 和技術創(chuàng)業(yè)公司Eigengran 合作，推出了一種名為Cognitive Pharma Machinery（認知藥品機械）的口服固體劑量藥品的AI 設備。

　　在經(jīng)過18 個月的測試和開發(fā)后，Luperini 在 2022 年12 月簽訂了一個許可協(xié)議，使用Eigengran 的認知控制技術。最初的工作集中在高剪切濕法制粒（HSWG）。在一種被Luperini 制造的一體化HSWG 設備中，包括干燥步驟在內(nèi)的整個制粒過程都在一個設備中進行。這種設備極適合作為開發(fā)一個使用過程分析技術（PAT）傳感器，以監(jiān)控制粒過程變化的認知控制系統(tǒng)的初步項目。

　　Luperini 的首席技術官Marco Luperini 在技術公告中表示，其技術在口服藥物生產(chǎn)的PAT 指南應用中起著關鍵作用，并將是實現(xiàn)藥品制造過程中藥物4.0 實踐的關鍵一步。Luperini 在意大利Chiesina Uzzanese 的新測試中心設有試驗機器，用于模擬可能在實際場景中遇到的情況。

　　建立預測控制模型

　　要控制制粒過程以實現(xiàn)目標顆粒大小是復雜的，因為這取決于固體、液體粘合劑的屬性，以及它們之間的界面以及施加到顆粒上的力。然而，這些動態(tài)系統(tǒng)有可被新的AI 算法和傳感器利用的模式。工業(yè)物聯(lián)網(wǎng)（IIoT）啟用的傳感器從超光譜成像光譜（如近紅外或拉曼光譜）和觸覺傳感器的機械應力數(shù)據(jù)（如力、振動、聲音、溫度）中收集數(shù)據(jù)，并用于推斷制粒過程的狀態(tài)，包括顆粒大小和成分。

　　這種方法是間接測量顆粒大小和分布的方法，因為目前無法實時直接測量。 Eigengran 的預測控制器接收來自IIoT 傳感器的輸入，并使用機器學習算法，包括深度強化學習，實時調(diào)整過程變量，如攪拌器速度和液體添加速率，以實現(xiàn)所需的結果。最終，目標是控制顆粒大小和分布在規(guī)定的范圍內(nèi)。

　　開發(fā)Luperini-Eigengran 神經(jīng)控制系統(tǒng)涉及到多種機器學習技術，從簡單的回歸到深度強化學習，這涉及到訓練算法根據(jù)經(jīng)驗做出決策。

　　Eigengran 在認知藥品機械中的AI 算法使用歷史過程數(shù)據(jù)和來自IIoT 傳感器的實時數(shù)據(jù)進行訓練。歷史過程數(shù)據(jù)用于構建制粒過程的物理模型，這個模型用于訓練AI 算法預測在不同條件下的過程行為。然后，AI 算法使用來自IIoT 傳感器的實時數(shù)據(jù)進行訓練，以根據(jù)過程的實際行為調(diào)整和完善模型。AI 算法還使用深度強化學習進行訓練，這涉及對算法做出良好決策給予獎勵，對做出錯誤決策進行懲罰。這種方法使得算法能從經(jīng)驗中學習并隨著時間提高他們的決策能力。

　　來自光譜成像和觸覺傳感器的數(shù)據(jù)對此方法至關重要，因為它們包括有關過程的實時化學和物理信息。在開發(fā)過程中，Eigengran 使用機器學習算法來分析從傳感器收集到的數(shù)據(jù)，學習傳感器讀數(shù)和制粒過程終點之間的相關性。深度學習算法的引入使我們的控制系統(tǒng)能夠從經(jīng)驗中學習并隨著時間改進預測。

　　該系統(tǒng)能夠自主檢測終點，并向操作員提供實時反饋。此外，控制系統(tǒng)可以適應變化的條件。這種認知能力可以更準確、有效地監(jiān)控和控制制粒過程，從而提高最終產(chǎn)品的質(zhì)量和一致性。在單壺HSWG 中的認知藥品機械控制系統(tǒng)原型已經(jīng)展示出與現(xiàn)有方法相比的改進性能和精度。

　　研究者目前正在努力將認知控制系統(tǒng)擴展到涵蓋一個進入流化床干燥（FBD）過程的HSWG 單元操作。再次使用機器學習技術在這些操作中分析數(shù)據(jù)并訓練系統(tǒng)識別模式并預測結果?？刂葡到y(tǒng)可以學習如何根據(jù)顆粒在FBD 單元中后續(xù)的干燥情況，優(yōu)化HSWG 單元中的制粒。這種整合導致了顆粒內(nèi)濕度的改善控制和通過更好的熱分析優(yōu)化的能源消耗。研究者目前不在研究流化床制粒，它可以使用傳統(tǒng)控制系統(tǒng)和PAT 傳感器進行控制。然而，在HSWG-FBD 中，AI 基礎的系統(tǒng)增加了價值，因為它可以從多個單元操作中學習，并單獨優(yōu)化每一個以達到最好的結果。

　　監(jiān)管方面的考量

　　雖然AI 并未被特定監(jiān)管， 不過 Eigengran 的AI 控制系統(tǒng)是依照現(xiàn)有指導方針開發(fā)的，比如美國聯(lián)邦法規(guī)（CFR）第21 部分第11 條關于電子記錄，歐洲和美國對安裝、操作和性能的要求，以及國際制藥工程學會的GAMP 5 指南。

　　Eigengran 已經(jīng)與早期使用者啟動了驗證過程，以確保技術在部署之前得到充分資格認證和驗證。 Eigengran 的方法涉及從我們的技術在過程開發(fā)中開始優(yōu)化參數(shù)，然后將其整合到已批準的控制計劃中。Eigengran 表示，他們預見到監(jiān)管方面關于在制藥行業(yè)使用AI 的擔憂，并有信心全面驗證過程將解決這些問題。

　　盡管AI 缺乏特定的規(guī)章制度是行業(yè)面臨的一項挑戰(zhàn)，但目前正在努力為在受監(jiān)管環(huán)境中使用AI 開發(fā)框架。例如， FDA 在2023 年3 月發(fā)布了一份討論文件，征求關于在藥品制造中使用AI 的評論。另外，類似Pistoia 聯(lián)盟這樣的行業(yè)組織正在為在制藥研發(fā)中使用AI 制定最佳實踐和指導方針。在制藥行業(yè)中采用AI 可以在不妥協(xié)監(jiān)管合規(guī)的情況下實現(xiàn)。通過與監(jiān)管機構緊密合作并遵循最佳實踐，確保的基于AI的系統(tǒng)是有效的，安全的，并符合行業(yè)標準

關注讀覽天下微信， 100萬篇深度好文， 等你來看……