Steuerung von Fermentationsprozessen

Adaptive Algorithmen für gesteuerte Fütterungskonzepte

  • Ablaufschema: Adaptiver RegelalgorithmusAblaufschema: Adaptiver Regelalgorithmus
  • Ablaufschema: Adaptiver Regelalgorithmus
  • Abb. 1a und Abb. 1b: Funktionsprinzip FCPR-Methode
  • Abb. 1a und Abb. 1b: Funktionsprinzip FCPR-Methode
  • Abb. 2: Optimierungsergebnisse; Fermentationsprozesse
  • Abb. 3: Fermentation: Verwendeter Organismus: E. Coli W397E pBPT1; Fermentervolumen: 3,8 l; Füllvolumen/Start: 0,5 l; SD8-Komplexmedium; Sauerstoffzufuhr PTFE-Membran; Magnetrührwerk (800 rpm); Kultivierungstemperatur: 30 °C
  • Abb. 4: Integrierter Versuchsaufbau
Maike Riel1, Frank Eiden1
 
In der industriellen Praxis werden biotechnologische Produktionsprozesse mit immer anspruchsvolleren Fütterungsstrategien durchgeführt. Ziel dieser Ansätze ist es, die Gesamteffizienz des Prozesses zu erhöhen. Die wachsende Komplexität der Produktionsprozesse führt zu steigenden Anforderungen an das Systemverständnis, die Modellierung und an die Regelkonzeption. 
 
Üblicherweise erfolgt die Nährstoffversorgung in Zellkulturen während einer Fedbatch-Kultivierung durch eine satzweise oder kontinuierliche Zugabe von Nährstoffen, welche den Inhalt des Reaktors supplementiert. Durch eine intelligent geregelte Zugabe des Substrates kann die Mikroorganismuskultur entsprechend des tatsächlichen Bedarfs (Feed on Demand) beeinflusst werden. Um sie so in einem möglichst effektiven Metabolismuszustand zu halten und gleichzeitig die Bildung von inhibierenden Metaboliten zu unterdrücken. Eine Online-Charakterisierung des physiologischen Zellzustandes wäre dabei eine wünschenswerte Lösung, jedoch ist die direkte Online-Messung metabolischer Zustände nur unter hohem Aufwand möglich. Die kontinuierliche Beobachtung der Zellatmung, die spezifische Energieumwandlung sowie Bilanzierungsansätze stellen hier indirekte Methoden zur Betrachtung metabolischer Zustände dar. Stoffwechselveränderungen, Limitierungen oder Inhibierungen können so unmittelbar festgestellt werden. Für die Entwicklung von intelligenten, adaptierbaren Feedingstrategien ist die Integration von Online-Prozessdaten eine plausible Konsequenz. Indirekt kann so auf den physiologischen Zellstatus rückgeschlossen und eine geeignete Nährstoffzufuhr zur Steigerung der Produktausbeute erarbeitet werden. 
 
Integration von Mess- und Regelsystemen
 
Eine Anbindung an den laufenden Prozess wird durch Einbeziehung eines Online-Messsystems (C2-Control, Trace Analytics)), welches eine Substratmessung der Glukose in Echtzeit ermöglicht, gewährleistet (Abb. 4). Aufgrund dieser Online-Messtechnik besteht eine direkte Rückkopplung der metabolischen Zustände des Fermentationsprozesses mit dem Mess- und Regelsystem.

Unter Nutzung einer geeigneten Mess- und Regelsoftware (BlueVis, Buesens) und der Einbeziehung von Software basierten „Sensoren“ werden die kontinuierlich ermittelbaren Parameter in ein integriertes Regelsystem eingebracht und damit die Basis für verschiedene Fütterungsstrategien geschaffen. Bei der Begrifflichkeit „Soft-Sensorik“ handelt es sich um eine virtuelle Analytik, die Signale, ausgehend von Hardware- oder auch von vorangeschalteten „Soft-Sensoren“, verarbeiten kann. Durch implementierte mathematische Modelle werden diese „Soft-Sensoren“ an verschiedene Messaufgaben angepasst. 

 
Feedback-Controlled Process Regulation (FCPR)
 
Der erste Schritt beinhaltet die Einbindung virtueller Software-Sensorik, unter deren Nutzung ein theoretisches Modell aufgebaut wird. Dieses vereint die Regelprinzipien eines Zweipunkt-Reglers mit denen eines Minimum-Reglers. Voreingestellte Fütterungsprofile, wenn diese in Abhängigkeit zu den aktuellen Bakterienwachstumsphasen adaptiert wurden, können zu einer Zellanpassung an das zugeführte Substrat führen. Deshalb integriert der zweite Schritt durch die Modifikation des Regelalgorithmus den aktuellen Substratverbrauch der Mikroorganismenkultur und erstellt somit ein dynamisches Fütterungsprofil. Zwei grundsätzliche Prinzipien einer Fütterung können so vereint werden. Zum einen die Beeinflussung des Metabolismus durch Variation der Glukosekonzentration im Medium, zum anderen führt eine adaptive Bestimmung seitens des Prozesses zu einer Variabilität in der zugeführten Substratmenge. Als Konsequenz hieraus, können Fütterungsintervalle variiert und die Fütterungsphasen optimiert werden. Die auf „Soft-Sensoren“ gestützte Feedingstrategie greift über programmierte Bedingungen ineinander und verbindet so die Vorteile verschiedener Regelprinzipien in einem dynamischen Modell.
Aus Sicht des zeitlichen Fermentationsverlaufes ist die hier vorgestellte FCPR-Strategie mit einem Repeated-Batch vergleichbar, wobei bei diesem Modell die gemessenen Substratkonzentrationen dazu genutzt werden, die Werte für das zuzugebende Volumen individuell und veränderlich zu berechnen (Abb. 1). Somit besteht eine Variabilität in der erzielbaren Höhe der Glukosekonzentration im Medium. Ein nächster Substratimpuls wird beim Erreichen eines unteren Schwellenwertes (Cs, min) ausgelöst. Die Variierung der Kohlenstoffquellenkonzentration im Medium führt zu messbaren Auswirkungen auf den Metabolismus, der eine sich intelligent anpassende Substratnachfrage bewirkt. Unter kurzfristiger Glukoselimitierung wird so der limitierte Betrag der Energie, durch eine Aktivierung von hochaffinen Glukosetransportern, effizient ausgenutzt [2] [3]. Die dynamische Regulationsstrategie reagiert dabei auf den aktuellen Substratverbrauch der Mikroorganismuskultur und ermöglicht so eine adaptive Substratzufütterung. 
Während eines Konzentrationsabfalls im Medium wird der volumenspezifische Substratverbrauch ∆S fortlaufend errechnet. Dies geschieht in einem vorab festgelegten Zeitintervall. Basierend auf der aktuellen Konzentration an Substrat (Cs(t1)) und dessen Verbrauch, lässt sich errechnen welche Menge an Substrat (Cs(t2)) zugegeben werden muss, um ein Zellwachstum bis zur nächsten Substratzugabe optimal aufrecht zu erhalten [1]. Die Zeitintervalle ∆(t1) der Impulszugabe sind quasi festgelegt, d. h. es wird berechnet, wieviel Substrat hinzugegeben werden muss, um in einem vorerst festgelegten Intervall den Minimal-Wert zu erreichen. Bei nachfolgendem Abfall der Substratkonzentration im Medium, wird erneut der aktuelle Glukoseverbrauch ermittelt. Somit wird das Zeitintervall adaptiv an den aktuellen Verbrauch angepasst. Findet ein erhöhter Glukoseverbrauch statt, erreicht die abfallende Glukosekonzentration früher den Minimal-Wert. Folglich wird die Substratzugabe früher ausgelöst. Verzögert sich die Substratabnahme im Medium, wird der erneute Impuls später ausgelöst. Die Zeit bis zur nächsten Impulsauslösung wird so an die sich während des Prozesses veränderten Prozessbedingungen angepasst (Abb. 3).
 
Fazit
 
Die theoretisch entwickelte, primär auf „Soft-Sensoren“ gestützte Feedingstrategie konnte erfolgreich auf einen mikrobiellen Fermentationsprozess übertragen werden. Durch das FCPR-Modell wurde die erforderlichen Substratmenge und der optimale Zeitpunkt für die Zugabe an Fütterungsmedium stets aktuell errechnet und somit nur die Menge an Substrat hinzugegeben, welche die Zellen im Vorfeld auch verbrauchen konnten. Durch Einbeziehung der entwickelten Fütterungsstrategien konnte ein variables Regelkonzept konstruiert werden, das einen möglichst geringen experimentellen Aufwand erfordert, jedoch den auftretenden Veränderungen während eines Fermentationsprozesses Rechnung trägt. Ziel ist es, durch eine aus Online-Daten generierte Steuerung mit einer parallel durchgeführten Simulation, die Feedingströme so anzupassen, dass diese in einem vorgegebenen Zeitintervall eine maximale Menge an Biomasse und damit gekoppelt eine erhöhte Produktbildung bewirken. Erste Ergebnisse zeigen im Vergleich zu einer reinen PID gesteuerten Zufütterung des Substrates, eine Abnahme von inhibitorischen Nebenprodukten von bis zu 50 % und die Zunahme des Hauptproduktes um ca. 35 % (Abb. 2). Somit bietet die Entwicklung der hier beschriebenen Methode, eine Plattform für weitere Optimierungsmethoden unter direkter Einbeziehung metabolischer Zustände und deren Regelung dar. 
 
Zugehörigkeiten
1AG Bioprozesstechnik, Westfälische Hochschule, Recklinghausen, Germany
 
Kontakt 
Prof. Dr.-Ing. Frank Eiden
Westfälische Hochschule
Recklinghausen
frank.eiden@w-hs.de
 
Weitere Beiträge zum Thema: http://www.git-labor.de/search/gitsearch/Bioprozesstechnik%20type:topstories
 
Chemgapedia Bioreaktor:
http://www.chemgapedia.de/vsengine/vlu/vsc/de/ch/16/schulmaterial/fermentation/fermentation.vlu/Page/vsc/de/ch/16/schulmaterial/fermentation/bioreaktor.vscml.html
 

Literatur:

[1] Åkesson M., Hagander P., Axelsson J.P. (2001): Avoiding acetat accumulation in E. Coli cultures using feedback control of glucose feeding; Biotechnol Bioeng. 2001 May 5;73(3):223-30. doi:10.1002/bit.1054

[2] Ferenci, T. (2001): Hungry bacteria-definition and properties of a nutritional state; Environ. Microbiol. 3; (pages 605-611)

[3] Lin H.Y., Mathiszik B., Xu B., Enfors S.O., Neubauer P. (2001): Determination of the maximum specific uptake capacities for glucose and oxygen in glucose-limited fed-batch cultivations of E. Coli; Department of Automatic Control, Institute of Technology TOC vol. 73, Issue 5; (pages: 347-357)

Jetzt registrieren!

Die neusten Informationen direkt per Newsletter.

To prevent automated spam submissions leave this field empty.