Created with Sketch.

Zur Person

Dr. Jochen Gerlach, Chemiker, arbeitet seit 2012 bei Boehringer Ingelheim und ist Head of Manufacturing Science in der Biopharmazie am Standort Wien. Dort soll 2021 die Produktionsanlage „Large Scale Cell Culture“ (LSCC) in Betrieb gehen. Die Investitionen liegen inklusive Infrastruktur bei 700 Millionen Euro, 500 neue Arbeitsplätze entstehen. Boehringer Ingelheim gehört seit den 1980er Jahren bei der Herstellung biologischer Moleküle zu den Vorreitern der Branche.

Created with Sketch.

„So komplex
wie ein
Jumbo-Jet“

Biomoleküle aus der KI-gesteuerten Fabrik, laufend verbessert von selbst lernenden Algorithmen: An dieser Vision arbeiten Biopharmaziespezialisten aus Wien gemeinsam mit den Datenexperten in Boehringer Ingelheims Digitalinkubator BI X. Bislang haben sie sich nur einen Prozessschritt vorgenommen, die Fermentation. Funktioniert der Ansatz für die gesamte Prozesskette, ergeben sich völlig neue Möglichkeiten. Dr. Jochen Gerlach, verantwortlich für „Smart Process Design“, erklärt, was die Initiative bisher erreicht hat – und wo die Reise hingeht.

Herr Gerlach, sind Computer die besseren Forscher?

Jochen Gerlach (JG) (lacht) Nein. Aber sie helfen Menschen, Daten zu interpretieren. Am besten forschen Mensch und Maschine gemeinsam.

Ist das der Ansatz Ihres Projekts „Smart Process Design“? Einen intelligenten Assistenten für die Forschung an Produktionsprozessen zu erschaffen?

JG So kann man das sagen. Die Entwicklung von biopharmazeutischen Produktionsprozessen im Labor ist sehr komplex, aufwendig, und sie erfordert ein hohes Maß an Wissen und Erfahrung. Wir haben eine Softwarelösung im Sinn, die ein Modell des kompletten Produktionsprozesses enthält. Dann könnte sie dieses Modell analysieren und Vorhersagen treffen. Unser Ziel ist es, die bestmöglichen Produktionsverfahren zu entdecken.

Ist die Produktion von Biopharmazeutika komplexer als die klassische, rein chemische Medikamentenherstellung?

JG In der Herstellung verwenden wir lebende Organismen, die äußerst empfindlich auf ihre Umgebung reagieren. Hinzu kommt, dass biopharmazeutische Wirkstoffe in der Regel hoch komplexe Biomoleküle sind. Wenn ein handelsüblicher chemischer Wirkstoff so komplex aufgebaut ist wie ein Fahrrad, dann entspricht ein Antikörper in etwa einem Jumbo- Jet. Diese beiden Aspekte zu kontrollieren ist die Herausforderung für unsere Prozessentwicklung.

Wie kamen Sie auf die Idee, dieses Thema technisch zu lösen?

JG Ende 2017 hatten wir im Rahmen der Innovationsstrategie der Biopharmazie in Wien überlegt, wie uns neue, digitale Möglichkeiten helfen könnten, unsere Technologie- und Marktführerschaft weiter auszubauen. Dabei kristallisierte sich das Thema Entwicklung und Steuerung von Produktionsprozessen heraus. Wir verfügen über immer mehr Daten. Und wir wussten: Mittlerweile gibt es große Fortschritte beim Thema Data Science. Auch große Datenmengen lassen sich vergleichsweise einfach analysieren, um Zusammenhänge zu erkennen.

Also haben Sie sich ans BI X gewandt.

JG Genau. Das BI X ist schließlich unser internes Kompetenzzentrum für die Digitalisierung. Wir haben die BI X-Kollegen also gefragt, ob sie mit ihrer Datenexpertise helfen können. In einem Ideation-Workshop haben wir die Idee geschärft. Der Plan war: Wir bauen und testen einen Prototyp für einen Fermentationsschritt, um unsere Hypothese zu überprüfen. Wir hofften nämlich, dass wir bessere Herstellverfahren finden, wenn wir die neuartige Datenanalytik auf unsere biopharmazeutische Prozessentwicklung anwenden.

Wie sind Ihre Kollegen bei der Entwicklung von neuen Produktionsverfahren bisher vorgegangen?

JG In vielen Experimenten haben sie systematisch Parameter wie Temperatur, pH-Wert oder Dauer variiert. Da ist langjährige Erfahrung von besonderer Bedeutung. Es geht darum, möglichst viele Informationen in möglichst wenigen Experimenten zu sammeln. Wir nutzen dazu bereits eine Software, die die Daten anschließend analysiert. So kommen wir dann auf eine Prozessvariante, bei der meistens die Wirkstoffmenge am höchsten, sprich optimal ist. Das wiederholen wir solange, bis das vorher definierte Ziel erreicht ist.

Wie sind Sie auf die Idee gekommen, das Ganze weiter zu verbessern?

JG Wir haben im Produktionsmaßstab immer wieder beobachtet, dass in unseren Prozessen eben doch Verbesserungspotenzial steckt. Offenbar ist unser momentan verwendetes Werkzeug zur Analyse von Entwicklungsdaten nicht in der Lage, die beste Prozessvariante zu entdecken. Die aktuelle Software kann nicht lernen. Sie wird nicht besser, wenn ich mehr Experimente mache, sondern analysiert immer nur einen vorgegebenen Datensatz. Zudem benutzt sie immer nur eine einzige Methode der Datenanalyse. Das sind die zwei Dinge, die wir mit „Smart Process Design“ adressiert haben.

Lernen heißt Erfahrungen sammeln: Das soll „Smart Process Design“ nun auch können?

JG Ganz genau. Unser Ansatz verwendet sogenannte Prozessmodelle, die in der Lage sind, mithilfe neuer Daten zu lernen. Jedes Mal, wenn wir neue Daten generieren, wird das Modell besser und lernt neue Aspekte des Produktionsprozesses. Wir sind dabei völlig frei, welche Technologie des maschinellen Lernens wir einsetzen. Momentan verwenden wir zum Beispiel neuronale Netze. Die sind besonders gut dazu geeignet, Muster in großen Datenmengen zu erkennen. Die Menge der Daten spielt dabei keine Rolle. Das ist besonders wichtig, weil in der Entwicklung immer größere Datenmengen anfallen.

„Mittlerweile gibt es große Fortschritte beim Thema Data Science. Auch große Datenmengen lassen sich vergleichsweise einfach analysieren, um Zusammenhänge zu erkennen.“

Biopharmazeutika werden in Bioreaktoren mit einem Fassungsvermögen von bis zu 15.000 Litern kultiviert.

War es ein Kulturschock, als Chemiker, Biotechnologen und Anlagentechniker plötzlich den Digitalexperten des BI X gegenüberstanden?

JG (lacht) Es gab schon kulturelle Unterschiede. Wir mussten erst einmal dafür sorgen, dass wir die gleiche Sprache sprechen und uns verstehen. Die Kollegen von BI X mussten sich in die Biotechnologie einarbeiten, und die Wissenschaftler hier in Wien ein Stück weit Softwareentwicklung lernen.

Was kommt nach dem Prototyp? Wie geht es weiter?

JG Kurz vor Ende der ersten Projektphase ist es uns gelungen, unsere Hypothese im Experiment zu beweisen. „Smart Process Design“ hat tatsächlich eine Prozessvariante für unsere Fermentation mit deutlich höherer Effizienz identifiziert. Im nächsten Schritt wollen wir zeigen, dass es möglich ist, Modelle auch für mehrere, aufeinanderfolgende Prozessschritte zu bilden. Dann könnten wir irgendwann ganze Produktionsverfahren modellieren und alle Abhängigkeiten zwischen den Prozessschritten berücksichtigen.

Sie hätten ein Modell, das die ganze Prozesskette bis zum gereinigten Endprodukt beschreibt.

JG Richtig. Dann sind wir unserer Vision, Prozessmodelle in unseren Produktionsanlagen einzusetzen, einen großen Schritt näher gekommen. Wir wären in der Lage zu analysieren, welchen Einfluss Störungen auf nachfolgende Prozessschritte haben – im Computer, während der Produktionsprozess noch läuft. Der logische nächste Schritt sind dann modellbasierte Handlungsanweisungen. Wir könnten im weiteren Produktionsverlauf Einstellungen verändern, um die Störung auszugleichen. Wenn die regulatorischen Fragen geklärt sind, können wir unsere Produktionsanlagen prädiktiv steuern.

Irgendwann schlägt das selbstlernende System vielleicht nicht mehr nur vor, was man ändern sollte, sondern entscheidet selbst.

JG Ja, und dann hätten Sie eine Produktion, gesteuert von künstlicher Intelligenz. Das ist die sehr langfristige Vision. Wir haben uns mit „Smart Process Design“ sozusagen mit einem ersten, kleinen Schritt auf den Weg zur KI-Fabrik gemacht.

„Jedes Mal, wenn wir neue Daten generieren, wird das Modell besser und lernt neue Aspekte des Produktionsprozesses.“