English
La creciente complejidad de los bioprocesos en la industria farmacéutica, especialmente en el desarrollo de terapias innovadoras como los oligonucleótidos, está acelerando la adopción de tecnologías digitales capaces de mejorar la comprensión, el control y la eficiencia de la producción. En este contexto, los gemelos digitales se han consolidado como una de las herramientas más prometedoras dentro del paradigma de la industria aplicada a la biomanufactura. Un gemelo digital puede entenderse como una representación virtual dinámica de un proceso físico que integra datos en tiempo real, modelos mecanísticos y enfoques basados en datos para simular, monitorizar y predecir el comportamiento del sistema productivo. Esta capacidad de replicar el proceso en un entorno digital permite no solo observar lo que está ocurriendo, sino anticipar cómo evolucionará bajo diferentes condiciones operativas, facilitando una toma de decisiones más informada y proactiva.
En el ámbito de los bioprocesos, estos sistemas combinan modelos de primeros principios, modelos estadísticos y algoritmos de aprendizaje automático que se actualizan continuamente mediante datos procedentes de sensores, sistemas de ejecución de fabricación y tecnologías analíticas de proceso. Esta integración convierte al gemelo digital en una herramienta clave para mejorar el entendimiento del proceso y habilitar estrategias de control predictivo, ya que permite simular múltiples escenarios sin necesidad de intervención directa en el sistema físico. La evolución de estas tecnologías se encuentra estrechamente vinculada a avances en inteligencia artificial, computación de alto rendimiento e Internet de las cosas, que permiten incorporar un mayor número de variables y representar con mayor fidelidad la complejidad de los sistemas biofarmacéuticos.
Uno de los principales impactos de los gemelos digitales en la producción farmacéutica es su capacidad para optimizar procesos a lo largo de todo el ciclo de vida del producto. Mediante la simulación de condiciones operativas, es posible identificar configuraciones óptimas que maximicen el rendimiento y minimicen la variabilidad, reduciendo la necesidad de experimentación empírica intensiva. Esta aproximación resulta especialmente relevante en procesos complejos, donde pequeñas variaciones en parámetros como temperatura, pH o concentraciones pueden afectar significativamente a la calidad del producto final. Además, el uso de gemelos digitales permite implementar estrategias avanzadas de control basadas en modelos predictivos, facilitando la detección temprana de desviaciones y la corrección automática de condiciones de operación antes de que se produzcan fallos en el proceso.
La integración de estas herramientas con marcos regulatorios como Quality by Design (QbD) y tecnologías como Process Analytical Technology (PAT) refuerza su papel en la mejora de la calidad y la robustez del proceso. QbD promueve el diseño de procesos que aseguren la calidad del producto desde su concepción, mientras que PAT permite la monitorización en tiempo real de atributos críticos. En conjunto, estos enfoques, apoyados por gemelos digitales, permiten una transición hacia sistemas de fabricación más eficientes, sostenibles y basados en el conocimiento (Ding et al., 2024).
En el caso de la fabricación de oligonucleótidos, donde la precisión molecular y el control de impurezas son determinantes, la aplicación de modelos digitales y herramientas de monitorización avanzada adquiere una relevancia particular. Las tecnologías PAT ya se emplean para el seguimiento en tiempo real de reacciones químicas y etapas de purificación, facilitando la modelización de procesos como la filtración tangencial o la conjugación de moléculas. La incorporación de gemelos digitales en este contexto permite integrar estos datos en modelos predictivos más completos, optimizando tanto la síntesis como las etapas downstream y mejorando la reproducibilidad entre lotes (Ding et al., 2024).
Otro aspecto crítico es el escalado de procesos desde laboratorio a producción industrial, uno de los principales retos en biomanufactura. Los gemelos digitales permiten simular condiciones de operación a diferentes escalas, identificar limitaciones asociadas a transferencia de masa o calor y anticipar posibles desviaciones antes de su implementación física. Esta capacidad reduce significativamente el riesgo asociado a la transferencia tecnológica y contribuye a acortar los tiempos de desarrollo. Además, su uso facilita el cumplimiento regulatorio al proporcionar un conocimiento detallado del proceso y una trazabilidad completa de los datos, elementos clave en entornos GMP.
A pesar de su potencial, la implementación de gemelos digitales en bioprocesos presenta desafíos relevantes, incluyendo la necesidad de datos de alta calidad, la validación de modelos en entornos regulados y la integración con infraestructuras digitales existentes. La falta de estandarización y la complejidad de los sistemas biológicos añaden capas adicionales de dificultad, lo que explica que su adopción aún no esté completamente extendida en toda la industria. Sin embargo, la tendencia hacia la digitalización es clara, y se espera que la inversión en tecnologías digitales continúe creciendo de forma significativa en los próximos años, impulsando una transformación profunda en la forma en que se diseñan, operan y optimizan los procesos farmacéuticos.
En este contexto, los gemelos digitales no solo representan una herramienta de optimización, sino un cambio de paradigma hacia una fabricación farmacéutica más inteligente, conectada y predictiva. Su capacidad para integrar datos, modelos y conocimiento del proceso los posiciona como un elemento clave en el desarrollo de terapias avanzadas, donde la precisión y la reproducibilidad son esenciales. En áreas como las terapias basadas en oligonucleótidos, este enfoque puede contribuir de forma significativa a mejorar la eficiencia del desarrollo, garantizar la calidad del producto y acelerar la llegada de nuevas soluciones terapéuticas al paciente.
Fuentes:
Aslam, J., Khan, S., Siddiqui, Z., Fatima, Z., & Maqsood, M. (2025).
Bioprocess digital twins: Enabling data-driven biomanufacturing.
Open Access Journals. https://www.openaccessjournals.com/articles/bioprocess-digital-twins-enabling-datadriven-biomanufacturing-18626.html
Canzoneri, M., Horner, M., & Banerjee, P. (2024).
Digital twins in biomanufacturing. In Nemat (Ed.), Bioconvergence Revolution. Springer.
https://link.springer.com/content/pdf/10.1007/978-3-031-61593-1_4
Ding, C., Yang, O., & Ierapetritou, M. G. (2024). Towards digital twin for biopharmaceutical processes: Concept and progress. En M. G. Ierapetritou & C. S. Brazel (Eds.), Digital twins in chemical engineering: Concepts and applications (pp. 129–157). Springer.
https://link.springer.com/chapter/10.1007/978-3-031-45669-5_6
Riezzo, L., Kay, H., Feng, Y., Jing, K., & Zhang, D. (2025).
Accelerating bioprocess digital twin development by integrating hybrid modelling with transfer learning. Chemical Engineering Journal.
https://doi.org/10.1016/j.cej.2025.162018
Strube, J., et al. (2020).
Digital twins in biomanufacturing. PubMed.
https://pubmed.ncbi.nlm.nih.gov/33346865/
