Proyecto LLBI Sense
Die Fermentation ist ein Stoffwechselprozess, bei dem Mikroorganismen wie Bakterien, Hefen oder Pilze organische Substrate – hauptsächlich Zucker – in einfachere Verbindungen wie Alkohole, organische Säuren oder Gase umwandeln. Traditionell wird sie mit der Lebensmittel- und Getränkeherstellung in Verbindung gebracht, doch ihre Bedeutung hat in den letzten Jahrzehnten aufgrund ihrer zentralen Rolle in der modernen Biotechnologie und bei nachhaltigen industriellen Prozessen erheblich zugenommen.
Heute ist die Fermentation weltweit eine der bedeutendsten biotechnologischen Plattformen. Ihr rasantes Wachstum wird durch die steigende Nachfrage nach biologisch gewonnenen Produkten (wie Arzneimitteln, Enzymen, Biopolymeren und funktionellen Lebensmitteln) sowie durch den Bedarf an effizienteren und nachhaltigeren Alternativen zur herkömmlichen chemischen Synthese vorangetrieben. Daher finden Fermentationsprozesse in zahlreichen Branchen breite Anwendung, darunter in der Lebensmittelindustrie, der Pharmaindustrie, bei der Herstellung von Biokraftstoffen sowie bei der Produktion von Verbindungen mit hoher Wertschöpfung.
Ein Bioreaktor ist ein System, in dem unter kontrollierten Bedingungen eine Fermentation stattfindet. Es handelt sich um einen Behälter, der darauf ausgelegt ist, das mikrobielle Wachstum und die Produktbildung zu fördern und zu optimieren, indem er wichtige Parameter wie Temperatur, pH-Wert, gelösten Sauerstoff, Rührbewegung und Nährstoffzufuhr reguliert. Eine präzise Steuerung dieser Variablen ist unerlässlich, da bereits geringe Abweichungen die Prozessleistung und die Produktqualität erheblich beeinträchtigen können.
Moderne Bioreaktoren sind mit einer Vielzahl von Sensoren ausgestattet, die eine Echtzeitüberwachung des Prozesses ermöglichen. Zu den gängigen Sensoren zählen solche zur Messung von pH-Wert, Temperatur, gelöstem Sauerstoff (DO), Druck und Durchflussrate sowie Systeme zur indirekten Biomassebestimmung. Parallel dazu werden zunehmend fortschrittliche nicht-invasive Techniken wie Spektroskopie, Ultraschall und Bildanalyse integriert, die eine Beurteilung des Kulturzustands ohne zerstörende Probenahme ermöglichen. Diese Technologien eröffnen den Weg zu ausgefeilteren Regelungsstrategien auf der Grundlage prädiktiver Modellierung.
In diesem Zusammenhang gewinnt die Modellierung von Fermentationsvariablen mithilfe von Bildanalyse und zerstörungsfreien Verfahren zunehmend an Bedeutung. Sie ermöglicht automatisiertere, robustere und effizientere Prozesse, verringert die Abhängigkeit von Offline-Messungen und verbessert die Fähigkeit, dynamisch auf Veränderungen innerhalb des Systems zu reagieren.
Darüber hinaus fördern die großen Datenmengen, die mit modernen nicht-invasiven Techniken erfasst werden, sowie die daraus entwickelten Vorhersagemodelle die Erforschung künstlicher Intelligenz (KI), die auf diese Bioprozesse angewendet werden kann. In diesem Zusammenhang ist KI in der Lage, Fermentationsprozesse in Bioreaktoren zu steuern und zu optimieren, indem sie Echtzeitdaten von mehreren Sensoren und nicht-invasiven Überwachungssystemen integriert. Mithilfe fortschrittlicher Algorithmen des maschinellen Lernens kann sie Muster erkennen, den Prozessverlauf vorhersagen und Betriebsparameter wie pH-Wert, Temperatur, Belüftung und Rührbewegung dynamisch anpassen. Dies ermöglicht eine verbesserte Prozessstabilität, eine höhere Produktivität und eine gleichbleibendere Produktqualität, während gleichzeitig der Bedarf an manuellen Eingriffen und Offline-Probenahmen reduziert wird.
Unter den modernen nicht-invasiven Verfahren zeichnet sich die Bildanalyse dadurch aus, dass sie eine kontinuierliche, in Echtzeit erfolgende und informationsreiche Überwachung des Fermentationsprozesses ermöglicht, ohne in das System einzugreifen. Im Gegensatz zu herkömmlichen Probenahmeverfahren ermöglicht sie die Ableitung quantitativer und qualitativer Merkmale in Bezug auf mikrobielles Wachstum, Morphologie, Aggregation und die allgemeine Kulturdynamik direkt aus visuellen Daten.
Darüber hinaus lässt sich die Bildanalyse problemlos in fortschrittliche Rechenwerkzeuge integrieren, darunter Algorithmen des maschinellen Lernens und der künstlichen Intelligenz, was eine automatisierte Merkmalsextraktion und verbesserte Vorhersagefähigkeiten ermöglicht. Die relativ geringen Kosten, die Skalierbarkeit und die Anpassungsfähigkeit an unterschiedliche Bioprozesskonfigurationen machen diesen Ansatz sowohl für die Forschung im Labormaßstab als auch für industrielle Anwendungen besonders attraktiv. Im Rahmen der Bildgebungsverfahren charakterisiert die Laser-Rückstreuungsbildgebung (LLBI) die Abschwächung der Lichtdurchlässigkeit über einen sich ändernden Bereich, der in einer bestimmten Matrix gemessen wird. Dieses Prinzip bildet die Grundlage für eine Vielzahl von Analysemethoden. In diesem Fall werden jedoch Bildanalyse- und Data-Mining-Verfahren eingesetzt, um die durch Matrix-Licht-Wechselwirkungen entstehenden Beugungsmuster zu untersuchen. In der lebensmittelverarbeitenden Forschung wurde die Laser-Rückstreuungsbildgebung zur Modellierung verschiedener Veränderungen der Lebensmittelmatrix infolge enzymatischer Einwirkung eingesetzt.
Vor dem Hintergrund der beschriebenen Situation lassen sich die Hauptziele des Projekts wie folgt definieren:
Das vorrangige Ziel besteht darin, einen prädiktiven und datengestützten Rahmen für die Modellierung von Fermentationsprozessen in Bioreaktoren unter Verwendung von Bildanalyse und zerstörungsfreien Überwachungstechniken zu entwickeln. Dieser Rahmen soll aussagekräftige Prozessinformationen aus Echtzeitdaten extrahieren und diese in zuverlässige Schätzungen der wichtigsten Fermentationsvariablen umsetzen.
Ein zweites Ziel besteht darin, den Zusammenhang zwischen visuellen und sensorbasierten Signalen und den zugrunde liegenden biochemischen und physikalischen Zuständen der Kultur zu untersuchen. Insbesondere soll im Rahmen des Projekts ermittelt werden, wie aus Bilddaten extrahierte Merkmale mit kritischen Prozessvariablen wie der Biomassekonzentration, der Wachstumsphase und der Gesamtprozessleistung in Zusammenhang gebracht werden können.
Ein weiteres wichtiges Ziel ist die Entwicklung und Bewertung von Modellen des maschinellen Lernens und der künstlichen Intelligenz, mit denen sich die Fermentationsdynamik vorhersagen lässt. Diese Modelle sollten in der Lage sein, Daten aus verschiedenen Quellen – darunter Bilddaten und herkömmliche Sensormessungen – zu integrieren, um die Vorhersagegenauigkeit und -robustheit zu verbessern.
Darüber hinaus zielt das Projekt darauf ab, das Potenzial dieser KI-gestützten Ansätze für die Echtzeitüberwachung und -steuerung von Bioreaktoren zu untersuchen. Dazu gehört die Bewertung ihrer Eignung zur Unterstützung der Entscheidungsfindung sowie die Ermöglichung adaptiver Regelungsstrategien, die die Prozessbedingungen automatisch optimieren.
Schließlich soll das Projekt zur Weiterentwicklung effizienterer, skalierbarer und nicht-invasiver Überwachungssysteme für Bioprozesse beitragen, wodurch die Abhängigkeit von herkömmlichen, zerstörenden Probenahmeverfahren verringert und der Weg für autonomere Fermentationsplattformen geebnet wird.
Material und Methoden
Bildgebungsgerät und Bildaufnahme
Auf der Grundlage von Verdú et al. (2020) wurde ein kostengünstiges Bildgebungsgerät entwickelt, um Informationen zu jedem Probenahmezeitpunkt zu erfassen, die durch Wechselwirkungen zwischen Licht und Matrix entstehen. Ziel war es, mithilfe von Bildern die während der Fermentation in der Matrix entstehende Varianz zu erfassen, indem die Beugungsmuster aufgezeichnet wurden, die aufgrund der Wechselwirkung zwischen Laser und Matrix zu jedem Probenahmezeitpunkt im Inneren des Tanks entstehen. Abb. 1-A zeigt ein Schema des Geräteaufbaus.
Abb. 1: Aufnahmegerät und Bildverarbeitungsschemata. A: Konfiguration des Aufnahmesystems. B: Bildverarbeitung. C: Auswahl des Untersuchungsbereichs (ROI).
Zudem werden Daten aus Parallelfermentationen erhoben, um die aus den Bildern abgeleiteten Variablen mit wichtigen Fermentationsparametern zu korrelieren, wie beispielsweise der mittels Spektralphotometrie gemessenen Zelldichte und der Gesamtzellzahl, die anhand von Agarplatten-Assays bestimmt wird.
Zu diesem Zweck lassen sich die Ziele dieses Projekts wie folgt zusammenfassen:
- Entwicklung, Anpassung und Optimierung des Bildaufnahmegeräts
- Untersuchung der möglichen bildbasierten Variablen
- Modellierung der erfassten Veränderungen
- Korrelation der Veränderungen mit messbaren Variablen
- Untersuchung der Skalierbarkeit in Pilot- und industriellen Bioreaktoren
Dieses Projekt wurde von Sergio Hernández, Leiter der Forschungs- und Entwicklungsabteilung bei der Techmi Group, sowie von Cade Medearis und Jake Holfinger, Praktikanten aus den Vereinigten Staaten, entwickelt. Wenn Sie mehr über das Projekt erfahren möchten, können Sie sich das Video ansehen, in dem die Funktionsweise des Lasers genauer erklärt wird.