Proyecto LLBI Sense
La fermentazione è un processo metabolico in cui microrganismi quali batteri, lieviti o funghi trasformano substrati organici — principalmente zuccheri — in composti più semplici quali alcoli, acidi organici o gas. Tradizionalmente associata alla produzione di alimenti e bevande, la sua importanza è cresciuta in modo significativo negli ultimi decenni grazie al ruolo centrale che riveste nella biotecnologia moderna e nei processi industriali sostenibili.
Oggi la fermentazione è una delle piattaforme biotecnologiche più rilevanti a livello mondiale. La sua rapida espansione è trainata dalla crescente domanda di prodotti di origine biologica (quali farmaci, enzimi, biopolimeri e alimenti funzionali), nonché dalla necessità di alternative più efficienti e sostenibili alla sintesi chimica convenzionale. Di conseguenza, i processi di fermentazione sono ampiamente utilizzati in diversi settori industriali, tra cui quello alimentare, farmaceutico, dei biocarburanti e della produzione di composti ad alto valore aggiunto.
Un bioreattore è il sistema in cui avviene la fermentazione in condizioni controllate. Si tratta di un recipiente progettato per favorire e ottimizzare la crescita microbica e la formazione del prodotto attraverso la regolazione di parametri chiave quali temperatura, pH, ossigeno disciolto, agitazione e apporto di nutrienti. Il controllo preciso di queste variabili è essenziale, poiché anche piccole deviazioni possono influire in modo significativo sulle prestazioni del processo e sulla qualità del prodotto.
I bioreattori moderni sono dotati di un’ampia gamma di sensori che consentono il monitoraggio in tempo reale del processo. Tra i sensori più comuni figurano quelli che misurano il pH, la temperatura, l’ossigeno disciolto (DO), la pressione e la portata, oltre ai sistemi di stima indiretta della biomassa. Parallelamente, vengono sempre più integrate tecniche avanzate non invasive quali la spettroscopia, gli ultrasuoni e l’analisi delle immagini, che consentono di valutare lo stato della coltura senza ricorrere a campionamenti distruttivi. Queste tecnologie aprono la strada a strategie di controllo più sofisticate basate sulla modellizzazione predittiva.
In questo contesto, la modellizzazione delle variabili di fermentazione mediante l’analisi delle immagini e metodi non distruttivi rappresenta un ambito di crescente interesse. Consente infatti di ottenere processi più automatizzati, robusti ed efficienti, riducendo la dipendenza dalle misurazioni offline e migliorando la capacità di rispondere in modo dinamico ai cambiamenti all’interno del sistema.
Inoltre, gli ingenti volumi di dati raccolti dalle moderne tecniche non invasive, insieme ai modelli predittivi sviluppati sulla base di essi, favoriscono l’esplorazione dell’Intelligenza Artificiale (IA), che può essere applicata a questi bioprocessi. In quest’ottica, l’IA è in grado di controllare e ottimizzare i processi di fermentazione condotti nei bioreattori integrando dati in tempo reale provenienti da sensori multipli e sistemi di monitoraggio non invasivi. Attraverso algoritmi avanzati di apprendimento automatico, è in grado di identificare modelli ricorrenti, prevedere l’evoluzione del processo e regolare dinamicamente parametri operativi quali pH, temperatura, aerazione e agitazione. Ciò consente una maggiore stabilità del processo, un aumento della produttività e una migliore uniformità del prodotto, riducendo al contempo la necessità di interventi manuali e campionamenti offline.
Tra le moderne tecniche non invasive, l’analisi delle immagini si distingue per la sua capacità di fornire un monitoraggio continuo, in tempo reale e ricco di informazioni sul processo di fermentazione senza interferire con il sistema. A differenza dei metodi di campionamento tradizionali, essa consente di ricavare, direttamente dai dati visivi, caratteristiche quantitative e qualitative relative alla crescita microbica, alla morfologia, all’aggregazione e alle dinamiche complessive della coltura.
Inoltre, l’analisi delle immagini può essere facilmente integrata con strumenti computazionali avanzati, tra cui algoritmi di apprendimento automatico e di intelligenza artificiale, consentendo l’estrazione automatizzata delle caratteristiche e una maggiore capacità predittiva. Il suo costo relativamente basso, la scalabilità e l’adattabilità a diverse configurazioni di bioprocessi ne fanno un approccio particolarmente interessante sia per la ricerca su scala di laboratorio che per le applicazioni industriali. Tra le tecniche di imaging, l’imaging a retrodiffusione laser (LLBI) caratterizza l’estinzione della trasmittanza della luce attraverso un’ampiezza variabile misurata in una data matrice. Questo principio è alla base di un’ampia gamma di metodi analitici. Tuttavia, in questo caso, si ricorre a tecniche di analisi delle immagini e di data mining per studiare i modelli di diffrazione generati a seguito delle interazioni tra la matrice e la luce. Nella ricerca sulla trasformazione degli alimenti, l’imaging a retrodiffusione laser è stato applicato per modellare diverse trasformazioni delle matrici alimentari dovute all’azione enzimatica.
Alla luce del contesto descritto, gli obiettivi principali del progetto possono essere definiti come segue:
L’obiettivo principale è quello di sviluppare un quadro predittivo e basato sui dati per la modellizzazione dei processi di fermentazione nei bioreattori, avvalendosi dell’analisi delle immagini e di tecniche di monitoraggio non distruttivo. Tale quadro mira a estrarre informazioni significative sul processo dai dati in tempo reale e a tradurle in stime affidabili delle variabili chiave della fermentazione.
Un secondo obiettivo è quello di studiare la relazione tra i segnali visivi e quelli rilevati dai sensori e gli stati biochimici e fisici sottostanti della coltura. In particolare, il progetto mira a determinare in che modo le caratteristiche estratte dai dati delle immagini possano essere correlate a variabili critiche del processo, quali la concentrazione di biomassa, la fase di crescita e le prestazioni complessive del processo.
Un altro obiettivo fondamentale è quello di progettare e valutare modelli di apprendimento automatico e di intelligenza artificiale in grado di prevedere le dinamiche di fermentazione. Tali modelli dovrebbero essere in grado di integrare dati provenienti da più fonti, tra cui immagini e misurazioni effettuate con sensori convenzionali, al fine di migliorare l’accuratezza e la robustezza delle previsioni.
Inoltre, il progetto mira a esplorare il potenziale di questi approcci basati sull’intelligenza artificiale per il monitoraggio e il controllo in tempo reale dei bioreattori. Ciò comprende la valutazione della loro idoneità a supportare il processo decisionale e a consentire strategie di controllo adattivo che ottimizzino automaticamente le condizioni di processo.
Infine, il progetto mira a contribuire allo sviluppo di sistemi di monitoraggio dei bioprocessi più efficienti, scalabili e non invasivi, riducendo la dipendenza dai tradizionali metodi di campionamento distruttivo e aprendo la strada a piattaforme di fermentazione più autonome.
Materiali e metodi
Dispositivo di imaging e acquisizione
È stato progettato un dispositivo di imaging a basso costo, basato sul lavoro di Verdú et al. (2020), al fine di raccogliere informazioni in ciascun momento di campionamento generate dalle interazioni tra luce e matrice. L’obiettivo era quello di utilizzare le immagini per rilevare la varianza generata nella matrice durante la fermentazione, acquisendo i modelli di diffrazione trasmessi a seguito dell’interazione tra laser e matrice in ciascun momento di campionamento all’interno del serbatoio. La Fig. 1-A mostra uno schema della configurazione del dispositivo.
Fig. 1. Dispositivo di acquisizione e schemi di elaborazione delle immagini. A: Configurazione del sistema di acquisizione. B: Elaborazione delle immagini. C: Selezione della regione di interesse (ROI).
Verranno inoltre misurati i dati relativi alla fermentazione parallela per correlare le variabili derivate dalle immagini con i parametri chiave della fermentazione, quali la densità cellulare misurata mediante spettrofotometria e la conta cellulare totale determinata tramite saggi su piastre di agar.
A tal fine, gli obiettivi del presente progetto possono essere riassunti come segue:
- Progettare, adattare e ottimizzare il dispositivo di acquisizione delle immagini
- Esaminare le possibili variabili derivate dalle immagini
- Modellare le variazioni registrate
- Correlare le variazioni con variabili misurabili
- Studiare la scalabilità in bioreattori pilota e industriali
Questo progetto è stato sviluppato da Sergio Hernández, responsabile della ricerca e sviluppo presso Techmi Group, e da Cade Medearis e Jake Holfinger, stagisti provenienti dagli Stati Uniti. Se vuoi saperne di più sul progetto, puoi dare un’occhiata al video in cui viene spiegato in modo più dettagliato come funziona il laser.