“바이오의약품 제조 공정 모델은 한 번 개발했다고 끝나는 것이 아닙니다. 새로운 공정 데이터와 정보를 반영해 지속적으로 개선해야 합니다. 또 초기 실험 단계부터 데이터와 모델의 품질을 고려해야 공정 개발부터 상업 생산까지 제품 수명주기 전반에 걸쳐 활용할 수 있습니다.”

바이오의약품 제조에서 공정 모델의 역할이 단순한 데이터 분석을 넘어 공정 개발부터 상업 생산까지 제품 수명주기 전반의 의사결정을 지원하는 방향으로 발전하고 있다. 공정이 복잡해지고 생산성과 비용 효율성에 대한 요구가 높아지면서 공정 데이터를 기반으로 이상을 조기에 발견하고 공정을 최적화하는 실시간 모니터링·분석의 중요성도 커지고 있다.

싸토리우스 크리스토퍼 몬토야(Christopher Montoya) 데이터 사이언티스트는 최근 인천 송도컨벤시아에서 열린 ‘싸토리우스 이노베이션 포럼 2026’에서 ‘데이터 소스에서 전략까지: 바이오의약품 제조 공정 모델의 적응형 관리(From Source to Strategy: Adaptive Management of Process Models in Biopharmaceutical Manufacturing)’를 주제로 발표했다.

그는 바이오의약품 제조의 운영 목표로 생산성 향상, 개발·생산 일정 단축, 원가 절감, 유연성 확대 등을 제시했다. 특히 여러 공정 변수를 동시에 관리하는 공정 강화(Process Intensification) 방식에서는 고급 데이터 분석과 실시간 모니터링·피드백 제어가 중요하다고 강조했다.

CAR-T 17개 관류배양 실험…관류 주요 변수 확인

몬토야 데이터 사이언티스트는 공정 모델의 대표적인 활용 사례로 키메라항원수용체 T세포(CAR-T) 배양의 관류배양(perfusion)을 꼽았다.

발표에서 소개한 2025년 연구에서는 여러 개의 소형 바이오리액터를 동시에 운용할 수 있는 ‘Ambr 250 High-Throughput Perfusion’을 이용해 관류 시작 시점, 관류 속도, 공여자 등 3개 변수를 조합한 17개 관류배양 실험을 진행했다. 연구에는 건강한 공여자 3명의 세포가 사용됐다. 해당 연구는 UCL과 싸토리우스 연구진 등이 수행해 2025년 국제학술지 프런티어스 인 바이오엔지니어링 앤 바이오테크놀로지(Frontiers in Bioengineering and Biotechnology)에 발표했다.

실험계획법(Design of Experiments, DoE)을 통해 관류 시작 시점과 속도, 공여자 차이가 CAR-T 세포의 증식 배수와 생존율에 미치는 영향을 확인하고, 다변량 데이터 분석(Multivariate Data Analysis, MVDA)으로 변수 간 관계와 변동 요인을 분석했다.

주성분분석(Principal Component Analysis, PCA)과 직교 부분최소제곱 판별분석(OPLS-DA) 결과, 수확 시점의 CAR-T 세포 표현형 변동에는 관류 조건보다 공여자와 접종 후 경과 시간이 더 큰 영향을 미치는 것으로 나타났다. 반면 관류 시작 시점과 속도는 CAR-T 증식 성능에 영향을 주는 주요 변수로 확인됐다.

후속 실험에서는 공정 중 관류 속도를 단계적으로 낮춰 배지 공급량을 조절하는 적응형 관류 전략을 적용했다. 그 결과, 기준 관류 공정과 비교해 CAR-T 세포의 수율과 표현형, 세포독성을 유지하면서 전체 배지 사용량을 11% 줄였다.

그는 “CAR-T 세포 증식에 관류 공정을 적용할 수 있다”며 “관류 시작 시점과 속도는 증식 성능에 중요한 변수로 확인됐다”고 설명했다. 이어 “적응형 관류를 적용하면 최종 증식 배수를 유사한 수준으로 유지하면서 배지 사용량을 줄일 수 있다”고 말했다.

30개 넘는 지표를 2개로…공정 이상 조기 감지

공정 모델은 공정 최적화뿐 아니라 지속적 공정 검증(Continued Process Verification, CPV)에도 활용할 수 있다. 바이오의약품 생산 과정에서는 온도, 유량, 압력 등 다양한 공정 데이터와 제품 품질 데이터가 축적된다.

몬토야 데이터 사이언티스트가 소개한 CPV 사례에서는 여러 배치에서 축적한 공정 변수와 품질 데이터를 다변량 모델로 분석해 공정 성능을 평가했다. 다변량 모델을 활용하면 기존에 개별적으로 확인하던 30개 이상의 지표를 호텔링 T²(Hotelling's T²)와 모델 잔차(DModX)라는 두 가지 진단 지표로 요약해 공정 상태를 파악할 수 있다. 이상이 발견되면 각 공정 변수가 결과에 얼마나 기여했는지 확인해 원인을 추적할 수 있다.

그는 또 다른 단클론항체 관류배양 공정 오류 사례도 소개했다. CHO(Chinese Hamster Ovary) 세포를 3L 바이오리액터에서 작업 부피 2L로 배양해 단클론항체를 생산하는 공정이었다. 당시 자동 모니터링과 알람이 설정돼 있지 않아 작업자는 주로 오프라인 분석 데이터를 확인했다.

406시간 시점의 오프라인 측정값에서는 이상이 나타나지 않았지만, 20시간 뒤인 426시간 시점에 생존세포밀도(viable cell density, VCD)가 급격히 감소하면서 공정 이상을 확인했다. 이후 고해상도 공정 데이터를 분석해 블리드 유량(세포 배출 유량), 용기 중량, 재킷 온도 등이 변하기 시작한 시점을 확인하고 이상 원인을 추적했다.

이 같은 공정 모델을 실시간으로 적용하면 오프라인 분석 결과가 나오기 전 공정 데이터의 이상 패턴을 포착해 보다 일찍 문제를 발견하고 대응할 수 있다. 몬토야 데이터 사이언티스트도 실시간 모델을 활용하면 이상을 조기에 감지하고 더 빠르게 공정을 교정할 수 있다고 설명했다.

실시간 모니터링부터 예측·제어까지…모델 수명주기 관리 필요

몬토야 데이터 사이언티스트는 공정 모델의 활용 범위가 현재 공정 상태를 확인하는 모니터링에서 향후 결과를 예측하는 단계, 나아가 예측값을 바탕으로 온도 등 공정 조건을 조정하는 실시간 제어까지 확장할 수 있다고 설명했다. 실제 발표에서는 예측 결과를 기반으로 온도 설정값을 조정하는 사례를 제시했다. 다만 모델을 실제 제조에 적용하려면 모델 자체의 수명주기 관리가 필요하다.

그는 “모델의 목적에 따라 필요한 데이터가 달라지며, 모니터링을 넘어 예측이나 실시간 제어 수준으로 고도화할수록 다양한 공정 변동을 포함한 데이터가 필요하다”고 설명했다.

또한 공정 변수와 같은 실시간 데이터, 공정 중 분석 데이터, 배치별 품질 데이터처럼 서로 다른 형태와 빈도로 생성되는 데이터를 모델 목적에 맞게 연결할 수 있는 데이터 인프라도 중요하다. 공정이나 데이터 환경이 바뀌면 모델이 현재 공정에 적합한지 평가하고 필요할 경우 업데이트하는 관리 체계도 필요하다.

몬토야 데이터 사이언티스트는 공정 모델을 실험 설계부터 상업 생산까지 활용할 수 있는 운영 전략의 핵심 자산으로 제시했다.

그는 “모델 개발은 한 번으로 끝나는 것이 아니라 새로운 정보를 반영해 반복적으로 개선해야 한다”고 밝혔다. 이어 “초기 실험 단계부터 데이터와 모델의 품질을 고려해야 제품 수명주기 전반에 걸쳐 데이터를 활용할 수 있다”고 말했다.

한편 8월 26~27일 열린 ‘싸토리우스 이노베이션 포럼 2026’에서는 공정 개발부터 상업 생산까지 디지털 전환과 스마트팩토리 구현을 위한 기술과 전략이 소개됐다. 공정분석기술(PAT), 디지털 트윈, AI·머신러닝 기반 공정 모델링과 모니터링, 자동화 플랫폼 등의 적용 사례가 공유됐다.