在合成生物学蓬勃发展的当下，如何高效实现实验室创新成果的产业化，已成为行业发展的核心议题。中国科学院天津工业生物技术研究所智能生物制造中心主任夏建业教授，正带领团队以数字化、智能化技术为切入点，攻克发酵过程优化与放大的技术瓶颈，搭建起科研与产业之间的 「桥梁」。本次，我们特别邀请到夏教授，分享他们在智能生物制造领域的探索与实践。
「高性能菌种的获取效率已显著提升，但发酵优化与放大技术的滞后，仍是合成生物学产业化的主要障碍。」 夏教授指出，团队自 2021 年成立以来，始终以打通 「实验室到产业化」的技术瓶颈为核心目标，构建系统化研究体系。
目前，夏教授团队拥有超过 20 名成员，涵盖微生物工程、化学工程、过程控制等多学科背景，形成博士主导、工程师协同的复合型人才架构。研究方向涵盖发酵培养基优化新方法、新型生物反应器、发酵过程传感器、发酵过程智能优化算法、发酵产物的分离纯化方法、生物反应器流场与发酵过程放大等，各方向环环相扣，形成从研发到产业化的完整技术链条。
经过数年深耕，团队在发酵过程数字化和智能化方面取得突破。数字化工具开发方面，研发了三款核心软件：发酵过程多批次数据对比可视化分析工具、发酵过程数据融合系统和高通量发酵批次数据智能清洗系统，成功帮助企业充分挖掘过程数据价值。围绕中试规模发酵系统，搭建数字孪生系统，实现了 8 条发酵中试线的数字化表征，为智能控制和工艺放大提供了有力支撑。
这些创新成果已成功应用于多种产品的产业化，包括酪氨酸、左旋多巴及骨化二醇等项目。此外，实验室研发的高通量微型平行反应器系统也成功实现产业转化，起到了加速工艺验证的效果。凭借在智能制造领域的突出贡献，他和他的团队先后获得 「2024 生物制药‘创新之星’工艺大赛创新增效一等奖」、「中国科学院‘科苑名匠’团队」 等荣誉。
近年来，我国对生物制造的战略定位持续升级。2022 年中央经济工作会议将其列为 「前沿技术」，2023 年定义为 「战略新兴产业」，2024 年政府工作报告明确提出为「新增长引擎」，2025 年更是称其为 「未来产业」。这一系列定位的进阶，充分体现了国家对该领域的高度重视。
但行业在快速发展的同时，也遭遇放大过程不稳定、监控成本高等挑战。为破解这些难题，夏教授团队以数字化和智能化为抓手，打造了系统化解决方案。团队首先从夯实数字化基础设施入手，在高通量发酵装备与先进在线传感系统基础上，开发出集成 30 余项在线参数的 BioFuser 系统，实现了数据采集、融合与统计的一体化，为过程优化提供精准数据支撑；同时，团队引入了赛多利斯高度自动化平行反应器系统（Ambr 250），在工艺放大前充分验证不同条件，识别关键敏感参数，有效避免大规模放大过程中的风险，显著降低研发成本。
更具前瞻性的是，夏教授团队将数字孪生技术与人工智能结合，打造了基于中试平台的数字孪生系统，实现过程参数的实时采集，并通过传统算法与深度学习模型，进行发酵参数预测与操作优化。夏教授对此充满信心：「相信不久的将来，我们能提前干预发酵过程，大幅降低发酵过程的不稳定性。」
在夏教授看来，中试平台在创新成果产业化中具有不可替代的作用。「中试平台是必经之路，它就像一块‘试金石’。」他解释说，该平台不仅能全面验证发酵条件、培养基配方的最优参数，并结合工业生产实际完成适应性调整，还能通过规模化试产获取足量产品，精准检验市场接受度和应用场景匹配度，为产业化扫清障碍。
智能生物制造的未来，离不开跨领域协作与产业链各方协同。高校需聚焦人才培养，根据产业链需求强化相关专业建设，甚至增设新专业以适配行业发展；科研机构则应主攻关键技术研发，提升发酵工艺优化、分离纯化及放大效率，加速成果转化；政府需搭建产业生态，通过政策引导、人才支持与税收优惠等推动平台建设；供应商应积极开发新设备、新方法并拓展市场，提升产业链上下游效率；企业则需把握发展契机，调整布局，推动新技术产业化，深化产学研合作。
然而在实践中，跨学科复合型人才的短缺已成为制约行业发展的突出挑战。生物制造涉及胞内复杂代谢与胞外流场混合传质两大复杂系统，既需要生物学背景，又需工科量化思维与反应器流场知识。夏教授始终强调 「以问题为导向」的学习理念：「发酵过程的问题不会标注所属学科，解决问题需要什么知识，就去补充什么知识。」
对于有志投身该领域的青年，夏教授建议优先掌握工科量化思想，在此基础上扩充微生物代谢知识，学会运用大模型等人工智能工具，并通过实践训练提升解决实际问题的能力。「只有兼具多学科视野与工程实践能力，才能真正推动生物制造技术的突破。」
从提出发酵放大方法获国家科技进步奖，到构建智能化中试平台，夏建业教授团队始终围绕产业化核心需求开展创新探索，不仅建成了具有行业影响力的中试平台，更通过技术创新与人才培养为行业发展持续注入动能。
智能生物制造的价值，不仅是提升效率，更在于重塑产业链的协作方式。当算法与工艺深度融合，当人才不再被学科边界束缚，也许，产业化的难题不再是「放大」，而是如何定义「未来制造」。
