AI算法在制药设备中的应用

　　综合编译：John Xie

　　制药业为何需要数字化转型 COVID-19 大流行扰乱了药品制造――疫苗开发的速度和推出改变了行业期望，给制造商带来了更快交付的新压力。但是，供应链对这种需求的反应并不够快，不是对于疫苗，也包括与COVID-19无关的药物。确保组织能够预测产品需求并相应调整产量对于与供应链伙伴成功合作至关重要。但是，许多公司仍使用基本的技术进行协调，这并不能实现集中调度。

　　为了满足新的行业期望，组织也应实施有助于预测性维护的技术。根据设定的时间表替换设备部件，而不是在需要关注时，这无疑会导致不必要的停工时间，影响生产，造成效率低下，这些都是药品组织无法承受的。归根结底，大流行病经证明，运行在较为基础的IT 系统上的系统，难以推动行业的发展。

　　机器学习提供实时数据

　　医药制造设备公司和技术提供商正在探索人工智能（AI）如何优化过程控制系统。意大利药品机械制造商Luperini 和技术创业公司Eigengran 合作，推出了一种名为Cognitive Pharma Machinery（认知药品机械）的口服固体剂量药品的AI 设备。

　　在经过18 个月的测试和开发后，Luperini 在 2022 年12 月签订了一个许可协议，使用Eigengran 的认知控制技术。最初的工作集中在高剪切湿法制粒（HSWG）。在一种被Luperini 制造的一体化HSWG 设备中，包括干燥步骤在内的整个制粒过程都在一个设备中进行。这种设备极适合作为开发一个使用过程分析技术（PAT）传感器，以监控制粒过程变化的认知控制系统的初步项目。

　　Luperini 的首席技术官Marco Luperini 在技术公告中表示，其技术在口服药物生产的PAT 指南应用中起着关键作用，并将是实现药品制造过程中药物4.0 实践的关键一步。Luperini 在意大利Chiesina Uzzanese 的新测试中心设有试验机器，用于模拟可能在实际场景中遇到的情况。

　　建立预测控制模型

　　要控制制粒过程以实现目标颗粒大小是复杂的，因为这取决于固体、液体粘合剂的属性，以及它们之间的界面以及施加到颗粒上的力。然而，这些动态系统有可被新的AI 算法和传感器利用的模式。工业物联网（IIoT）启用的传感器从超光谱成像光谱（如近红外或拉曼光谱）和触觉传感器的机械应力数据（如力、振动、声音、温度）中收集数据，并用于推断制粒过程的状态，包括颗粒大小和成分。

　　这种方法是间接测量颗粒大小和分布的方法，因为目前无法实时直接测量。 Eigengran 的预测控制器接收来自IIoT 传感器的输入，并使用机器学习算法，包括深度强化学习，实时调整过程变量，如搅拌器速度和液体添加速率，以实现所需的结果。最终，目标是控制颗粒大小和分布在规定的范围内。

　　开发Luperini-Eigengran 神经控制系统涉及到多种机器学习技术，从简单的回归到深度强化学习，这涉及到训练算法根据经验做出决策。

　　Eigengran 在认知药品机械中的AI 算法使用历史过程数据和来自IIoT 传感器的实时数据进行训练。历史过程数据用于构建制粒过程的物理模型，这个模型用于训练AI 算法预测在不同条件下的过程行为。然后，AI 算法使用来自IIoT 传感器的实时数据进行训练，以根据过程的实际行为调整和完善模型。AI 算法还使用深度强化学习进行训练，这涉及对算法做出良好决策给予奖励，对做出错误决策进行惩罚。这种方法使得算法能从经验中学习并随着时间提高他们的决策能力。

　　来自光谱成像和触觉传感器的数据对此方法至关重要，因为它们包括有关过程的实时化学和物理信息。在开发过程中，Eigengran 使用机器学习算法来分析从传感器收集到的数据，学习传感器读数和制粒过程终点之间的相关性。深度学习算法的引入使我们的控制系统能够从经验中学习并随着时间改进预测。

　　该系统能够自主检测终点，并向操作员提供实时反馈。此外，控制系统可以适应变化的条件。这种认知能力可以更准确、有效地监控和控制制粒过程，从而提高最终产品的质量和一致性。在单壶HSWG 中的认知药品机械控制系统原型已经展示出与现有方法相比的改进性能和精度。

　　研究者目前正在努力将认知控制系统扩展到涵盖一个进入流化床干燥（FBD）过程的HSWG 单元操作。再次使用机器学习技术在这些操作中分析数据并训练系统识别模式并预测结果。控制系统可以学习如何根据颗粒在FBD 单元中后续的干燥情况，优化HSWG 单元中的制粒。这种整合导致了颗粒内湿度的改善控制和通过更好的热分析优化的能源消耗。研究者目前不在研究流化床制粒，它可以使用传统控制系统和PAT 传感器进行控制。然而，在HSWG-FBD 中，AI 基础的系统增加了价值，因为它可以从多个单元操作中学习，并单独优化每一个以达到最好的结果。

　　监管方面的考量

　　虽然AI 并未被特定监管， 不过 Eigengran 的AI 控制系统是依照现有指导方针开发的，比如美国联邦法规（CFR）第21 部分第11 条关于电子记录，欧洲和美国对安装、操作和性能的要求，以及国际制药工程学会的GAMP 5 指南。

　　Eigengran 已经与早期使用者启动了验证过程，以确保技术在部署之前得到充分资格认证和验证。 Eigengran 的方法涉及从我们的技术在过程开发中开始优化参数，然后将其整合到已批准的控制计划中。Eigengran 表示，他们预见到监管方面关于在制药行业使用AI 的担忧，并有信心全面验证过程将解决这些问题。

　　尽管AI 缺乏特定的规章制度是行业面临的一项挑战，但目前正在努力为在受监管环境中使用AI 开发框架。例如， FDA 在2023 年3 月发布了一份讨论文件，征求关于在药品制造中使用AI 的评论。另外，类似Pistoia 联盟这样的行业组织正在为在制药研发中使用AI 制定最佳实践和指导方针。在制药行业中采用AI 可以在不妥协监管合规的情况下实现。通过与监管机构紧密合作并遵循最佳实践，确保的基于AI的系统是有效的，安全的，并符合行业标准