Bagaimana Raman Online Membuat Bioreaktor Bermakna

Sebuah makalah menunjukkan bahwa tantangan utama dalam pemantauan fermentasi online bukan hanya “kemampuan mengukur” namun “mengukur secara akurat”. Jika glukosa dan etanol dalam bioreaktor adalah "protagonis yang tidak terlihat", maka Raman online adalah seberkas cahaya yang mengungkap keduanya secara real-time. Studi ini, yang dipublikasikan di Spectrochimica Acta Part A, berfokus pada bagaimana Raman online dapat mendorong batas deteksi (LOD) ketika memantau bioreaktor, dan menawarkan panduan yang sangat praktis untuk pengembangan model.

Apa yang dilakukan penelitian ini？

Dengan menggunakan fermentasi alkohol sebagai sistem model, penulis memasukkan probe Raman in-situ langsung ke lingkungan bioreaktor untuk memantau glukosa dan etanol secara online secara kuantitatif.

Fokusnya bukan hanya pada apakah pengukuran dapat dilakukan, namun pada dua pertanyaan praktis: pertama, bagaimana meningkatkan rasio signal-to-noise; kedua, bagaimana menjaga model tetap stabil dan andal dalam sistem campuran yang kompleks.

Nilai inti Raman online:

Aspek yang paling penting dari penelitian ini adalah bahwa ia memajukan Raman online dari alat karakterisasi proses menjadi alat analisis online yang cocok untuk pengendalian kuantitatif. Para penulis dengan jelas menyatakan bahwa Raman online dapat menangkap informasi fermentasi di tempat, secara real-time, dan non-destruktif – sebuah fitur yang sangat berharga untuk aplikasi bioproses yang memerlukan pemantauan terus menerus terhadap konsumsi substrat dan pembentukan produk.

Lebih penting lagi, Raman tidak peka terhadap latar belakang air dan sangat cocok untuk pengukuran langsung sistem cairan. Oleh karena itu, metode ini jauh lebih cocok untuk pemantauan reaktor online dibandingkan metode offline yang memerlukan pengambilan sampel dan persiapan sampel secara berkala.

Ini berarti Raman online bukan sekadar alat analisis tambahan – namun dapat benar-benar tertanam dalam rantai kendali proses dan melayani tujuan Teknologi Analitik Proses (PAT).

Inovasi penelitian ini:

Salah satu hal yang menarik adalah bahwa penulis tidak memulai dengan membuat model secara langsung dengan kaldu fermentasi asli. Sebaliknya, mereka terlebih dahulu membangun database pembelajaran menggunakan solusi standar murni, dan kemudian melakukan validasi dengan campuran rasio yang berbeda.

Keuntungan dari strategi ini adalah memungkinkan kontribusi spektral dari setiap komponen individu diselesaikan dengan jelas, mengurangi interferensi timbal balik, dan memfasilitasi identifikasi puncak karakteristik.

Sorotan lainnya adalah penekanan kuat penulis pada optimalisasi rasio signal-to-noise. Mereka membandingkan waktu eksposur dan jumlah akumulasi yang berbeda, dan akhirnya memilih eksposur 80 detik dengan 3 akumulasi sebagai trade-off terbaik antara kualitas sinyal dan waktu akuisisi.

Hal ini menunjukkan bahwa performa Raman online tidak hanya bergantung pada instrumen itu sendiri, tetapi juga pada parameter akuisisi, yang secara signifikan dapat memengaruhi performa model akhir.

Apa yang ditunjukkan oleh hasilnya？

Setelah membuat beberapa model PLS, penulis menemukan bahwa dengan mempersempit rentang konsentrasi set kalibrasi dari 0,5–100 g/L ke rentang konsentrasi rendah (0,5–10 g/L), batas deteksi untuk etanol dan glukosa meningkat secara nyata, masing-masing mencapai 0,42 g/L dan 1,55 g/L.

Temuan ini sangat bermanfaat bagi pemantauan online: batas deteksi yang lebih rendah tidak selalu berasal dari lebih banyak data, namun mungkin disebabkan oleh distribusi data yang lebih rasional.

Namun, penulis juga memperingatkan tentang trade-off yang penting: jika set pelatihan terlalu bias terhadap konsentrasi rendah, kinerja prediktif pada konsentrasi tinggi akan menurun.

Dengan kata lain, pemodelan Raman online bukan sekadar "semakin sempit semakin baik". Sebaliknya, seseorang harus menyeimbangkan batas deteksi dan akurasi jangkauan penuh berdasarkan tujuan proses sebenarnya.

Dalam satu kalimat

Nilai terpenting dari makalah ini bukanlah "membuktikan bahwa Raman dapat mengukur glukosa dan etanol", namun menunjukkan bahwa jalur menuju penerapan proses praktis Raman online bergantung pada batas deteksi yang rendah, pemodelan yang kuat, dan desain kumpulan data yang bijaksana.