آبتاب– یک مقاله منتشرشده در سال ۲۰۲۵ با عنوان «Holistic Bioprocess Development Across Scales Using Multi-Fidelity Batch Bayesian Optimization» به بررسی روش‌های بهینه‌سازی فرآیندهای تولید بیولوژیک می‌پردازد.
این مطالعه نشان می‌دهد که با استفاده از مدل‌های بیزی چندوفاداری (multi-fidelity) و بهینه‌سازی دسته‌ای، می‌توان انتخاب آزمایش‌ها در مقیاس‌های مختلف (میکروپلیت تا راکتورهای بزرگ) را بهبود داد و هزینه و زمان توسعه فرآیند را کاهش داد.
تأکیدی که این تحقیق دارد این است که وقتی ابعاد فرایند بزرگ می‌شود، روش‌های سنتی طراحی آزمایش (DoE) اغلب ناکافی و پرهزینه‌اند؛ استفاده از هوش روی بهینه‌سازی مقیاس‌پذیر راهکار پیشرفته‌تری است.
کاربرد عملی این روش‌ها در صنعت دارو می‌تواند به شرکت‌ها کمک کند تا فرآیند تولید آنتی‌بادی‌ها، پروتئین‌های درمانی و دیگر بیولوژیک‌ها را با بازده بالاتر و هزینه کمتر طراحی و پیاده‌سازی کنند.
در زمینه تولید داروهای بیولوژیک (اگر پروژه‌ای بر پایه گیاه بوده باشد)، استفاده از این روش‌ها می‌تواند کمک کند تا بهینه‌سازی بیان ژنتیکی، شرایط رشد گیاه و فرایند پاک‌سازی با سرعت و دقت بیشتری انجام شود.
یکی از مزایا این است که شرکت‌ها می‌توانند با داده‌های جزئی‌تر در فازهای کوچک‌تر، پیش‌بینی بهتری برای مقیاس بزرگ داشته باشند و ریسک شکست مقیاس‌گذاری را کاهش دهند.
چالش‌هایی چون همگرایی مدل‌ها، مدیریت عدم قطعیت و تلفیق داده‌های تجربی با پیش‌بینی‌ها باید در پروژه‌های صنعتی به‌کار گرفته شوند و راهکارهای مناسب ارزیابی شوند.
این دست از نوآوری‌های روش‌شناختی برای صنعت زیست‌فناوری آمریکا اهمیت بالایی دارند چون امکان افزایش کارایی، کاهش هزینه و تسریع ورود محصولات را فراهم می‌آورند — خصوصاً در رقابتی که شرکت‌های بزرگ بیولوژیک با فشارهای مالی، مقرراتی و تکنولوژیک روبه‌رو هستند.