Proyecto LLBI Sense
La fermentación es un proceso metabólico en el que microorganismos como las bacterias, las levaduras o los hongos transforman sustratos orgánicos —principalmente azúcares— en compuestos más simples, como alcoholes, ácidos orgánicos o gases. Aunque tradicionalmente se ha asociado a la producción de alimentos y bebidas, su importancia ha crecido de forma significativa en las últimas décadas debido a su papel fundamental en la biotecnología moderna y en los procesos industriales sostenibles.
Hoy en día, la fermentación es una de las plataformas biotecnológicas más relevantes a nivel mundial. Su rápida expansión viene impulsada por la creciente demanda de productos de origen biológico (como fármacos, enzimas, biopolímeros y alimentos funcionales), así como por la necesidad de alternativas más eficientes y sostenibles a la síntesis química convencional. Como resultado, los procesos de fermentación se utilizan ampliamente en diversos sectores, entre ellos el alimentario, el farmacéutico, el de los biocombustibles y la producción de compuestos de alto valor añadido.
Un biorreactor es el sistema en el que tiene lugar la fermentación en condiciones controladas. Se trata de un recipiente diseñado para favorecer y optimizar el crecimiento microbiano y la formación del producto mediante la regulación de parámetros clave como la temperatura, el pH, el oxígeno disuelto, la agitación y el aporte de nutrientes. El control preciso de estas variables es esencial, ya que incluso pequeñas desviaciones pueden afectar significativamente al rendimiento del proceso y a la calidad del producto.
Los biorreactores modernos están equipados con una amplia gama de sensores que permiten supervisar el proceso en tiempo real. Entre los sensores más habituales se encuentran los que miden el pH, la temperatura, el oxígeno disuelto (OD), la presión y el caudal, así como los sistemas de estimación indirecta de la biomasa. Paralelamente, se están integrando cada vez más técnicas avanzadas no invasivas, como la espectroscopia, los ultrasonidos y el análisis de imágenes, lo que permite evaluar el estado del cultivo sin necesidad de realizar muestreos destructivos. Estas tecnologías abren la puerta a estrategias de control más sofisticadas basadas en modelos predictivos.
En este contexto, la modelización de las variables de fermentación mediante el análisis de imágenes y métodos no destructivos es un ámbito de creciente interés. Permite lograr procesos más automatizados, robustos y eficientes, reduciendo la dependencia de las mediciones fuera de línea y mejorando la capacidad de responder de forma dinámica a los cambios que se producen en el sistema.
Además, los grandes volúmenes de datos recopilados mediante técnicas modernas no invasivas, junto con los modelos predictivos desarrollados a partir de ellos, fomentan la exploración de la Inteligencia Artificial (IA), que puede aplicarse a estos bioprocesos. En este sentido, la IA es capaz de controlar y optimizar los procesos de fermentación llevados a cabo en biorreactores mediante la integración de datos en tiempo real procedentes de múltiples sensores y sistemas de monitorización no invasivos. A través de algoritmos avanzados de aprendizaje automático, puede identificar patrones, predecir la evolución del proceso y ajustar dinámicamente parámetros operativos como el pH, la temperatura, la aireación y la agitación. Esto permite mejorar la estabilidad del proceso, aumentar la productividad y mejorar la consistencia del producto, al tiempo que se reduce la necesidad de intervención manual y de muestreo fuera de línea.
Entre las técnicas modernas no invasivas, destaca el análisis de imágenes por su capacidad para proporcionar un seguimiento continuo, en tiempo real y con gran cantidad de información del proceso de fermentación sin interferir en el sistema. A diferencia de los métodos tradicionales de muestreo, permite extraer características cuantitativas y cualitativas relacionadas con el crecimiento microbiano, la morfología, la agregación y la dinámica general del cultivo directamente a partir de datos visuales.
Además, el análisis de imágenes puede integrarse fácilmente con herramientas computacionales avanzadas, incluidos algoritmos de aprendizaje automático e inteligencia artificial, lo que permite la extracción automatizada de características y una mayor capacidad predictiva. Su coste relativamente bajo, su escalabilidad y su adaptabilidad a diferentes configuraciones de bioprocesos lo convierten en un enfoque especialmente atractivo tanto para la investigación a escala de laboratorio como para aplicaciones industriales. Dentro de las técnicas de imagen, la imagen por retrodispersión láser (LLBI) caracteriza la extinción de la transmitancia de la luz a lo largo de una magnitud variable medida en una matriz determinada. Este principio constituye la base de una amplia gama de métodos analíticos. Sin embargo, en este caso, se recurre a técnicas de análisis de imágenes y de minería de datos para estudiar los patrones de difracción generados a raíz de las interacciones entre la matriz y la luz. En la investigación sobre el procesamiento de alimentos, la imagen por retrodispersión láser se ha aplicado para modelar diferentes transformaciones de la matriz alimentaria debidas a la acción enzimática.
Teniendo en cuenta el contexto descrito, los principales objetivos del proyecto pueden definirse de la siguiente manera:
El objetivo principal es desarrollar un marco predictivo y basado en datos para la modelización de procesos de fermentación en biorreactores mediante el análisis de imágenes y técnicas de monitorización no destructivas. Este marco tiene como finalidad extraer información significativa sobre el proceso a partir de datos en tiempo real y traducirla en estimaciones fiables de las variables clave de la fermentación.
Un segundo objetivo es investigar la relación entre las señales visuales y las basadas en sensores y los estados bioquímicos y físicos subyacentes del cultivo. En concreto, el proyecto pretende determinar cómo las características extraídas de los datos de imagen pueden correlacionarse con variables críticas del proceso, como la concentración de biomasa, la fase de crecimiento y el rendimiento general del proceso.
Otro objetivo clave es diseñar y evaluar modelos de aprendizaje automático e inteligencia artificial capaces de predecir la dinámica de la fermentación. Estos modelos deberían poder integrar datos procedentes de múltiples fuentes, incluidas imágenes y mediciones de sensores convencionales, para mejorar la precisión y la solidez de las predicciones.
Además, el proyecto tiene como objetivo explorar el potencial de estos enfoques basados en la inteligencia artificial para la supervisión y el control en tiempo real de los biorreactores. Esto incluye evaluar su idoneidad para facilitar la toma de decisiones y permitir estrategias de control adaptativo que optimicen automáticamente las condiciones del proceso.
Por último, el proyecto pretende contribuir al desarrollo de sistemas de monitorización de bioprocesos más eficientes, escalables y no invasivos, reduciendo la dependencia de los métodos tradicionales de muestreo destructivo y allanando el camino hacia plataformas de fermentación más autónomas.
Materiales y métodos
Dispositivo de imagen y captura
Se diseñó un dispositivo de imagen de bajo coste basado en el trabajo de Verdú et al. (2020) con el fin de recopilar información en cada momento de muestreo generada por las interacciones entre la luz y la matriz. El objetivo era utilizar imágenes para registrar la varianza generada en la matriz durante la fermentación, captando los patrones de difracción transmitidos debido a la interacción entre el láser y la matriz en cada momento de muestreo en el interior del depósito. La fig. 1-A muestra un esquema de la configuración del dispositivo.
Fig. 1. Dispositivo de captura y esquemas de procesamiento de imágenes. A: Configuración del sistema de captura. B: Procesamiento de imágenes. C: Selección de la región de interés (ROI).
También se recopilarán datos de fermentación paralela para correlacionar las variables derivadas de las imágenes con parámetros clave de la fermentación, como la densidad celular medida mediante espectrofotometría y el recuento total de células determinado mediante ensayos en placas de agar.
A tal fin, los objetivos de este proyecto pueden resumirse de la siguiente manera:
- Diseñar, adaptar y optimizar el dispositivo de captura de imágenes
- Examinar las posibles variables derivadas de las imágenes
- Modelar los cambios registrados
- Correlacionar los cambios con variables medibles
- Estudiar la escalabilidad en biorreactores piloto e industriales
Este proyecto ha sido desarrollado por Sergio Hernández, Responsable de I+D en Techmi Group y por Cade Medearis y Jake Holfinger, estudiantes en prácticas de los Estados Unidos. Si quieres conocer más sobre el proyecto puedes echar un vistazo al video donde se explica cómo funciona el láser más a detalle.