生物制药过程非常复杂，受到高度监管且周期长。工艺过程中涉及的步骤多，每个步骤中涉及的操作单元多，每个操作单元涉及的工艺参数多，这个过程中会产生和使用到很多数据。工艺过程中使用的很多物料（如：原料、辅料等）需要进行高度的把关、测试、放行等步骤才能被使用，这个过程中也会产生大量数据。

不仅数据量很大，数据的来源也是多种多样的，比如：外部的数据（如，委外检测的实验室得到的数据）、文献中得到的数据、内部数据（如，QC实验室得到的数据，生产线上得到的数据）等。数据类型也是多种的，例如：批记录是纸质的，分析数据可能是Excel表格，数据库中的数据等。

整个生物制药过程时刻与大量数据打交道，怎样获得高效的数据采集、获取与整理的能力？此外，还需要确定关键工艺参数CPP，关键质量属性CQA及最优区间，实时监控整个工艺过程并对其进行详细分析。

整体解决方案包括：数据采集与管理、数据融合及AI自动化平台三个部分。 

我们经常说要数字化转型，数字化转型第一步要把研发、工艺过程中的数据从线下搬到线上，使用一系列专业的业务系统，把数据科学的管理起来。例如：使用电子实验记录本记录实验和工艺信息，使用物料管理系统记录大量物料信息，仪器管理系统记录仪器相关信息。众多系统中，我们推荐首先使用电子实验记录系统。

电子实验记录本-扫码体验

 案例：

整个工艺过程中有很多操作单元（如，发酵、澄清等），很多工艺参数与关键质量属性是息息相关的。我们之前某客户的工作流程是这样的：工艺参数记录在纸上，通过Excel做一系列分析，生成的数据汇总成报告汇报给相应的部门及管理人员。整个过程单人操作，多人进行数据转移，是非常低效且易出错的，且数据存在滞后的情况。为了解决如上困境，我们推荐他们使用电子实验记录系统，将工艺单元中不同的业务环节生成的各式各样模板，发酵时间、pH、温度、转速等工艺参数记录到实验记录系统中，以实现一次记录，无限次的数据使用，无论是效率，还是准确性都得到了很大提高。

除此之外，大家可以考虑移动应用的场景。之前接触过很多客户，实验室或者工作台中没有配备专门的电脑，同时实验人员穿着工作服，带着手套，记录数据很不方便，有些时候甚至拿便签条抄录数据，回到办公室后再将数据输入到电脑中，大家认为电子系统似乎没有为工作带来便利，因为还是需要做数据转移的工作。这个时候，我们推荐他们使用移动的应用场景：在实验室中，通过移动端查看已设计好的实验方案，通过语音录入、拍照的方式记录实验信息，直连仪器，采集仪器收集到的数据。移动应用为他们带来了更高效、便利的体验。

数据融合最核心的功能是实现跨源数据的融合。在工艺过程的监控过程中，涉及到各式各样的传感器，当我们分析多个传感器中输出的数据时，比单独分析一个传感器输出的数据更容易全面理解整个工艺过程并控制它，所以传感器数据的融合是非常重要的。而且，在对来自不同工艺单元过程中不同工艺参数的数据进行综合分析时，也需要进行数据融合。

数据融合还要具有复杂的Excel数据的处理能力。有很多先进的企业、科研单位已经上了信息化系统，但是很多人还是习惯于用Excel进行数据的分析和整理，Excel的特性是灵活，这既是优点也是缺点，优点是可以根据实际的业务场景设计不同的表格，缺点是难和其他来源的数据进行融合和综合分析。使用转换编辑工具可以将复杂的Excel转换成比较规整的二维数据表，以方便地与数据库、信息化系统中的数据进行融合。同时，转换编辑过程中可以将规则保存下来，之后有相同格式、相同模板的Excel都可以实现一键式批量转换。

数据融合还要具备科学数据（如，结构、序列、谱图等）的处理能力。

此外，需要做到业务数据的融合：从业务视角梳理关键的指标字段，通过树状导图或旭日图将工艺参数按照工艺操作单元或者业务流程的形式梳理出来，再进行深入的综合分析。数据融合后，如果想做一个工艺人员的检索查询，只需要输入批次ID号，就可以把原本存储在不同业务系统中的数据一并提取和呈现出来。

另一个重要的应用是过程监控——过程监控是法规要求，工厂到了商业化生产阶段必须对工艺过程做持续监控，以确保整个过程是可控的，整体的表现是一致的。我们需要采用一系列控制图，来确定过程是否可控，对未来是否是可以预测的，用过程能力分析工具分析过程是否有能力生产出符合客户要求的产品。

目前，AI技术在生物制药领域的方方面面都有涉猎。

 机器学习在工艺过程监控中的案例：

聚合高温反应生产烯基琥珀酸酐，随着反应的进行，产品的琥珀色会逐渐加深，在这里需要监控的CQA是颜色，传统的控制策略是定期在工艺过程各个阶段手动获取样品，将样品通过比色仪进行颜色分析测试，如果检出颜色与最终颜色非常相近，就停止反应。这样的控制策略有什么弊端？从取样到测试整个过程都需要有严格的SOP，有专业的人员，过程中产生任何偏差都会极大降低监控的准确性，数据结果也是延时的。

在此提出新的控制策略——采用颜色传感器对颜色进行连续实时的监控，并且通过机器学习实现自适应的、自动化的控制方案。整个工艺研究过程中，颜色传感器会产生8个不同的工艺参数数据。这些数据会传输给机器学习模型，用来预测和确定工艺过程中的各个阶段，避免了离线采集、延后获得测试数据的情况。利用模型给出预判，判断反应是否达到最终产品阶段，如果达到即可停止反应。实施AI机器学习可以实现根据传感器数据进行实时建模，实现对工艺过程进行持续化改进，减少对昂贵的人工专家分析的需求，对过程偏差提供一致、更好的动态响应。

前面给出的案例就是机器学习在工艺过程监控的一个应用。可以把这类应用抽象出来，简单的理解为将一系列工艺参数与产品的数据传输给机器学习平台，建立和使用数据模型，例如识别CPP和CPA之间非线性关系，给出异常预警，并帮助工艺改进。

AI算法落地的过程中有一个最大的困难点：研发人员、工艺人员的背景都是实验科学家，学习AI技术、模拟技术门槛太高。

AI自动化平台就像是一台智能手机，不需要考虑参数设置，它将各种复杂的算法、参数封装起来形成各种APP，给研发人员、工艺人员使用。整个AI技术在我们的系统中是如何实现的呢？将机器学习、深度学习、模拟计算的算法构建成一个个小组件，在需要的时候将组件拖拽出来链接形成工作流，每一个工作流就相当于一个APP应用。以计算溶解度参数的工作流为例，溶解度计算的结果融合了反应动力学参数的设置，如何模拟拟合计算结果等，当有计算需要时，无需知道以上过程及参数设置细节，直接使用APP就可以生成相应结果，这为研发人员提供了非常大的便利——可以零门槛使用各种AI模型。