Sistema de control basado en machine learning para cultivo celular en modo fed-batch considerando datos de un modelo cinético para el metabolismo central de carbono

Aug 5, 2026

Subir por Skyler

Trabajo de ingeniería civil química enfocado en bioprocesos y automatización mediante técnicas de machine learning. Se implementa un predictor con Support Vector Machine (SVM) para estimar la tasa de crecimiento (µ) de un cultivo celular, y luego integrarlo en un sistema de control para construir la estrategia de alimentación en modo fed-batch. Los datos se generan desde un modelo de células CHO y se simulan escenarios con distintos intervalos de medición. Los predictores alcanzan alta concordancia (RMSE ~10^-6 y correlación ~0,99), especialmente al usar variables como glucosa, glutamina, lactato y amoniaco, logrando control cercano al set point durante las primeras 120 horas; se concluye que es viable usar datos con intervalos de 4, 12 y 24 horas, con posible mejora incorporando ruido o datos faltantes.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas160

Tiempo de lectura4 h 6 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Antecedentes generales

Problemática, motivación y descripción del proyecto

Objetivos y limitaciones

Antecedentes de estudio

Cultivos celulares de células mamíferas

Reactores fed-batch

Modelos para cultivos celulares

Técnicas de Machine Learning

Sistemas de control en bioprocesos

Metodología

Modelo del cultivo celular

Elaboración sets de datos

Elaboración sistema de control clásico

Elaboración Soft Sensor

Resultados

Modelo del cultivo celular

Elaboración sets de datos

Elaboración sistema

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA QUÍMICA, BIOTECNOLOGÍA YMATERIALES SISTEMA DE CONTROL BASADO EN MACHINE LEARNING PARA CULTIVO CELULAR EN MODO FED-BATCH CONSIDERANDO DATOS DE UN MODELO CINÉTICO PARA EL METABOLISMO CENTRAL DE CARBONO MEMORIA PARA OPTAR AL TÍTULO DE INGENIERA CIVIL QUÍMICA TIFFANY ALEXANDRA MARÍA PÉREZ USHIJIMA PROFESOR GUÍA: José Salgado Herrera MIEMBROS DE LA COMISIÓN: Ziomara Gerdzten Hakim Irene Martinez Basterrechea SANTIAGO DE CHILE RESUMEN DE LA MEMORIA PARA OPTAR AL TÍTULODE INGENIERA CIVIL QUÍMICA POR: TIFFANY ALEXANDRA MARÍA PÉREZ USHIJIMA FECHA: 2024 PROF. GUÍA: JOSÉ SALGADO HERRERA SISTEMA DE CONTROL BASADO EN MACHINE LEARNING PARA CULTIVO CELULAR EN MODO FED-BATCH CONSIDERANDO DATOS DE UN MODELO CINÉTICO PARA EL METABOLISMO CENTRAL DE CARBONO En los últimos años la industria a nivel global ha presentado innovación en términos dela implementación de tecnologías basadas en la Industria 4.0., incluyendo la inteligencia artificial y machine learning. Debido a lo anterior, la industria de bioprocesos ha presentado interés en la automatización de sus procesos, donde el uso de machine learning puede contribuir. En el presente trabajo se implementan tecnologías basadas en machine learning como Support Vector Machine (SVM) para predecir la tasa de crecimiento de un cultivo celular (µ) , para luego implementerla en un sistema de control y obtener la estrategia de alimentación. Los datos experimentales fueron generados a partir de un modelo para células CHO disponible en literatura con el cual se puede simular diferentes escenarios para entrenar al predictor considerando diferentes intervalos de medición para asemejar la toma de datos experimentales. Los predictores diseñados presentan curvas y valores similares, obteniendo predicciones con un error cuadrático medio del orden de 10 −6 y coeficientes de correlación de 0 .99 a partirde los conjuntos de datos proporcionados. Presentando mejores resultados para el caso en que se consideran variables como la glucosa, glutamina, lactato y amoniaco. La utilización de un controlador proporcional permite obtener un buen control del sistema, sin ser necesario emplear otros controladores de la familia PID. Por otro lado, casi todas las estrategias de alimentación obtenidas a partir del predictor, implementadas en el sistema permiten controlar la concentración de glucosa en un rango cercano al set point (11±1 mM) durante las primeras 120 horas del cultivo. Finalmente, se concluye que es posible desarrollar un predictor basado en una herramientade machine learning, utilizando datos experimentales con intervalos de tiempo de 4, 12 y 24 horas. Sin embargo, el desempeño del predictor podría verse mejorado utilizando datos con presencia de ruido o con información faltante, como podría ocurrir en un caso real. Ya estamos aquí, todo está a punto de cambiar. Nos enfrentamos al mañana, mientras decimos adiós al ayer. Se acaba un capítulo, pero la historia no ha hecho más que empezar. - Hannah Montana Agradecimientos Quiero agradecer a mi familia que siempre ha estado dándome el apoyo y la posibilidad de estudiar y desarrollarme como persona. También quiero agradecer a todas las personas que me acompañaron en lo que fue mi vida universitaria ya que sin ustedes nada hubiese sido igual. Gracias a los cólera, mi grupo de amigos más cercano, por las risas, su apoyo y compañíainfinita. A los CSM que me acompañaron desde primer año, cada almuerzo, estudio y salida fue inolvidable por ustedes; y en especial gracias al Tom por todo su apoyo tanto en losestudios como en la vida. Gracias a mis amigos, amigas, compañeros y compañeras de especialidad, que conocí en modo online y luego presencial haciendo que la experiencia del DIQBM sea excelente. Al PMDC Lab y el profe Salgado por la buena onda, compañía, apoyo y simpatía que caracteriza al laboratorio, donde claramente las risa

Preguntas frecuentes

Qué modelo y técnica de machine learning se usan para predecir el crecimiento celular?

Se implementa un predictor basado en Support Vector Machine (SVM) para predecir la tasa de crecimiento del cultivo (µ). Los datos de entrenamiento provienen de un modelo para células CHO disponible en literatura.

Cómo se integra el predictor al sistema para definir la estrategia de alimentación en fed-batch?

El predictor se utiliza para construir un sistema de control que genera la estrategia de alimentación durante el modo fed-batch, con el objetivo de regular la concentración de glucosa.

Qué desempeño logra el predictor y bajo qué variables se observan mejores resultados?

Los predictores muestran curvas y valores similares, con error cuadrático medio del orden de 10^-6 y correlaciones de 0,99. Se observan mejores resultados al considerar glucosa, glutamina, lactato y amoniaco como variables.

Aug 5, 2026

Subir por Skyler