美国药品制造业的产能
作者：Siemens Digital Industries Software 生命科学全球行业发展主管詹妮弗·彼得罗斯基
到2026年8月，制药公司已经宣布 大致 5000 亿美元 在美国的投资 涵盖研究、开发和制造。但是，建造工厂并不等于做好生产准备。将新产能转化为可靠的制造能力需要将疗法和工艺开发与设备、支持基础设施和运营相结合。目标是在患者需要的地方生产所需规模的高质量药物。
制造商还必须应对供应链漏洞、成本压力和对熟练人员的限制，同时满足监管要求。增加容量本身并不能缓解这些压力。越来越复杂的疗法、不确定的临床结果和不断变化的需求使得将科学创新转化为可靠的供应变得更加困难。从临床开发到商业化，制造商必须管理这种不确定性。
这种能力在第一批商用批次之前就开始了。提供早期临床试验的流程必须不断发展，以支持后期研究和商业需求。制造商需要优化不同体积、设备配置和批次大小的操作条件，同时保持疗法的预期质量属性。团队必须共同开发疗法及其流程，并尽早解决不确定性。他们还必须保留必要的知识，以便在需求变化时转移和重现流程。
尽快实现稳定的产量有助于制造商支持临床项目和产品发布，并实现其投资的预期价值。要做到经济实惠，就需要在两个互补的生命周期中进行协调。其中之一涉及该疗法的开发及其生产过程。另一个涵盖了从设计到运营所需的生产能力。产品质量要求指导工艺设计。过程理解为工程提供信息，生产经验可增强后续开发决策。
评估施工之后的药品制造准备情况
这项工作从制造商如何评估生产进展开始。项目仪表板可能会显示网站 “已完成85％”，但仅此百分比并不能确定运营就绪状态。关于过程控制或公用事业绩效的未解决问题对于初创企业来说可能比百分比所显示的更为重要。
问题在于仍然存在多少不确定性，以及它是否会延迟临床供应或产品发布。扩建或转移到另一个站点也需要同样的审查。该过程必须在接收操作的能力和限制范围内运行。后果既是商业性的，也是技术性的。未解决的不确定性可能会延迟供应，增加认证流程所需的工作量，并使昂贵的制造资产得不到充分利用。
对流程中断进行故障排除需要制造科学和技术、流程开发、质量、工程和设施团队之间的合作。这些关系在开发期间和生产开始之前同样重要。科学证据、过程定义和工程信息可能会通过互不关联的文档和系统。在此过程中，配方选择或过程参数背后的理由可能会丢失。技术转让一揽子计划可以在不保留其重要性或保护哪些质量属性的情况下描述该做什么。这也可能使接收队伍不确定他们的装备如何重现所需的条件。
数字双胞胎可以帮助团队在构建或修改物理系统之前评估过程行为和设备假设。连续的数字主线可以保持科学证据、材料属性、过程参数、设备能力和质量结果之间的关系。团队可以通过开发、技术转让和生产来追踪这些关系。模型、实验数据和开发决策背后的理由可以随之从实验室研究到临床供应再到商业化生产。接收团队可以评估哪些条件必须保持一致，哪些条件可以改变，从而减少重复实验和可避免的技术转让工作。然后，运营结果可以为进一步的开发和工程提供信息。尽早发现差距可以减少重新设计、重复测试和认证流程所需的工作，同时决策仍然更容易改变。
解决临床开发和扩大规模过程中的不确定性
纵向扩展，将过程理解作为整个开发过程的考验。在小型容器中起作用的混合方案在试点或商业规模上的表现可能会有所不同。流体流动、传热和传质随设备规模和几何形状而变化。随着临床阶段之间批次数量的增加，团队必须了解这些影响。当需要不同的设备或地点来满足供应要求时，这同样适用。
时机很重要。在开发过程中评估替代体积、运行条件和设备配置，为团队提供了更多的调整空间。安装后发现不匹配可能需要对设备、软件、测试和认证文档进行更改。技术问题可能相同，但未达到质量或收益目标现在会带来更大的业务后果。较晚的发现会消耗稀缺的技术资源，中断临床供应并延迟商业规模的制造。
建模和仿真在生命周期的早期推动了相应的学习。过程模型解决化学和生物学问题，而流体动力学有助于解释设备规模的行为。在物理系统可用之前，虚拟调试对照仿真设备或流程测试自动化逻辑。这些方法允许团队比较生产选项并调查不同批量的运行条件。它们的有用性取决于每个模型是否充分代表其预期应用。随着实验和生产运行增加证据，团队可以完善模型。这有助于他们集中精力进行物理测试，优化流程并朝着规模化生产迈进。
J&J Innovative Medicine 在比利时的化学品开发团队 在扩大规模之前，使用数字化流程双胞胎来评估新工艺。该方法在实验室规模上有效，但是当团队考虑工业规模时，相关参数发生了变化。该模型预测，拟议的配置在该规模下将不起作用。该团队可以避免对该配置进行进一步的物理试验，并将开发资源集中在更有前途的替代方案上。数字证据不能取代商业规模的资格认证和流程验证。
这个 PreCheck 试点计划 来自美国食品药品监督管理局 (FDA) 反映了早期参与的价值。它在美国新工厂的设施开发和预生产期间聘请选定的制造商；现有设施的扩建不包括在内。通过运营前审查，FDA 评估设施设计和准备情况信息，并提供早期技术指导。目标是尽早发现设施和制造就绪性问题，并降低下游延迟的风险。该计划还旨在支持在申请审查过程中及时进行设施评估和检查。虽然参与并不能保证批准或检查结果，但早期参与可以帮助明确预期，支持更有效的审查流程并减少可避免的延误。
使制造基础设施与流程和供应要求保持一致
了解这一过程是做好准备的一部分。交付所需的数量和质量还取决于生产设备、物料流和支持基础设施的协同作用。这些能力应遵循治疗过程和供应要求。其中包括批量规模、生产地点和运营必须支持的未来可靠用途。
罗氏的阿波罗11号绿地药品制造项目 在北卡罗来纳州说明了这种方法。罗氏与我们和其他技术合作伙伴合作，正在使用数字双胞胎和制造仿真来评估设计决策。该团队首先比较了两种布局并模拟了物资和人员流，然后才实施任一布局。比较这些替代方案使团队能够在设计变得更昂贵和更具破坏性之前做出改变。尽管在调试期间仍必须验证实际性能，但以数字方式评估这些替代方案可以为团队提供更坚实的设计决策基础，并有助于在施工和安装使变更成本增加之前确定潜在的限制因素。
假设周围的设施能够满足其要求，产能讨论通常侧重于生产线。扩展可以检验这一假设。视工艺而定，新生产线增加了对纯化水、蒸汽、冷却和电力容量的需求。这些要求需要与生产计划一起进行评估。各团队必须确定不同的业务是否会同时争夺同一个公用事业。已安装的设备代表潜在容量，但只有可用容量才能创造价值。即使生产设备本身可用，公用事业限制或基础设施不足也会限制产量。
该设施还必须保持该过程所需的环境条件。温度、湿度或压力的偏差会影响生产并触发调查。关键环境，包括洁净室和实验室，需要与其预期用途相适应的监测、控制和记录。基础设施是制造环境的一部分，必须根据其所支持的流程来了解其性能。
这使得能源绩效既是运营问题，也是环境问题。根据生产需求监控消耗可以帮助团队识别效率低下的设备或可避免的公用事业使用。减少可避免的能源和公用事业使用可以降低运营成本，前提是改进措施可以维持产品质量所需的条件。
使用生产数据改善药品制造
生产开始后，运营数据可以帮助团队根据流程和设施的实际性能测试开发假设。到第 100 批时，组织应该比第一批之后更了解其流程。这种学习应转化为更稳定的产出、更高的产量以及更少的调查和审查偏差所花费的精力。每次运行都应增加组织对该流程的了解。
温度读数或压力设定值需要链接到其批次、工艺步骤、材料和适用的过程定义。这种背景有助于团队将质量结果与开发假设进行比较，并了解材料波动、设备磨损和环境变化的影响。它还支持 Industrial AI：应用于分析过程变化或检测设备异常等任务的人工智能。保持这些关系使生产经验对后续的流程优化、技术转让和扩大规模的决策很有用。
在 AGC Pharma Chemicals位于巴塞罗那的活性药物成分基地，各团队将控制系统与制造执行和电子批次记录集成在一起。这删除了超过 530 个手动操作员条目。结果是生产步骤的数字文档更加完整，可供员工转录的信息减少了。对于面临劳动力限制的制造商来说，这可以减少重复工作，同时保留技术人员对流程和质量决策的责任。
更完整的记录也为分析奠定了更好的基础。例外审查可以将注意力引向与既定要求的偏差。过程分析技术可以将测量结果和模型相结合，以评估生产过程中的相关质量属性。设备状态监测可以识别正在发生的问题，供维护团队进行调查。这些应用程序使用信息的方式不同。连接系统并不能使每一个洞察都成为更改流程或发布批次的指令。这些应用程序可以减少审查工作量，并将技术资源引导到实际例外情况。它们还可以帮助在造成更昂贵的干扰之前识别正在开发的设备问题。
葛兰素史克与 Siemens 和 Atos 的合作 说明了测量和行动之间的其他步骤。在疫苗辅助制造的概念验证中，数字双胞胎使用过程数据和模型来估计粒径并计算流速调整。实验室测试表明，对引入的干扰是直接控制的。在随后在良好生产规范（GMP）设施中进行的小规模工程中，这对夫妇建议操作员进行调整。它没有直接实现它们。
在商业制造中应用这种方法需要适合其预期用途的模型和控制措施。适当的验证和变更控制仍然是必要的。它的价值应该体现在诸如更少的偏差、更可靠的输出、更少的审查工作、更短的停机时间和减少与质量相关的损失等结果中。
Industrial AI 需要同样的学科。情境化、可追溯的数据可以帮助团队调查偏差、分析过程性能或尽早发现设备问题。共享的、受管控的环境将相关的科学和业务证据联系起来，同时每个学科保留其专业系统和责任。每个应用程序都需要明确的目的和证据，证明其输出足够可靠，足以支持决策。其价值应与可衡量的结果挂钩，例如缩短调查时间或防止干扰。
随着制造需求的变化，重复使用流程知识
在开发和生产过程中积累的知识也为需求变化提供了一个起点。制造商可能需要不同的临床批量或新产品。它可能需要转移到其他地点或制造合作伙伴，或者在维持现有供应的同时增加产量。受监管的流程定义，由开发历史和质量要求支持，可帮助团队评估哪些可以重复使用，哪些必须更改。这可以减少重新创建过程知识所需的工作量，并使每次转移或修改都成为更明智的工程练习。
在 拜耳位于德国比特费尔德-沃尔芬的阿司匹林工厂，各团队分阶段引入了新的制造执行和自动化系统，同时继续在现场进行生产。将制造执行和流程自动化连接起来，可以配置子流程，而无需在不同的系统中重复建模工作。对于这个项目，Siemens 报告说 最多可减少 80% 的工程工作量 用于子流程建模。比较是分别对制造执行和控制系统进行建模。这种新方法支持无纸化制造、电子批次文档以及更快地实施配方或自动化变更。
这是适应性的一种实际含义：减少特定变更所涉及的时间、成本和运营风险。添加或更换兼容模块时，标准化的设备接口和可重复使用的自动化结构也会减少自定义集成。它们不能使设施适合每种模式。不同的疗法可能需要不同的密封、清洁、环境条件或工艺设备。灵活性必须围绕可信的未来用途进行设计。必须从一开始就考虑资格和验证要求。这可以帮助制造商避免不必要的复杂性，同时投资于最有可能支持未来产品的适应性。
将疗法开发与制造能力联系起来
要使这些变更易于管理，就需要在研究、配方、工艺开发、技术转让、质量、供应规划、工程和生产方面保持连续性。疗法质量要求或配方的变化会影响工艺参数、设备选择、自动化和公用事业需求。共同评估这些后果有助于团队尽早做出权衡取舍，以保护临床供应、上市时间表和预期的生产绩效。制造证据还必须反馈到对过程的理解中，这样知识才能在两个生命周期中得到改善。
制造商应寻找支持跨开发阶段、制造场所和专业系统的移交的技术合作伙伴。制药企业使用不同的技术，因此合作伙伴必须能够与现有设备和其他技术提供商合作。开放标准和互操作性应支持安全的信息交换。界面、数据质量和解释信息所需的背景方面的责任必须明确。需求、流程定义和执行之间的可追溯性有助于团队评估变更并重用已有的知识，而无需进行不必要的自定义集成。
我们研究了这些决定所涉及的几个方面。我们的工作涵盖过程和生产模拟、工程、质量、自动化、制造执行和支持基础设施。机会是在决策从过程理解转向工程和生产的过程中保留背景信息，然后使用运营证据为进一步的开发提供信息。这可以减少跨生命周期阶段重新创建信息所需的工作量，并使未来的更改更易于实施。将科学研发、过程建模、企业配方管理和制造执行联系起来，可以帮助团队将受控的过程定义纳入生产。然后，当团队跨规模和跨地点重复使用这些知识时，他们的支持证据仍可用。
对于当前的投资决策，有四项行动值得关注：
- 共同开发疗法及其流程，测试临床和商业规模下操作条件的变化。
- 根据设备、公用事业和环境控制措施必须支持的生产要求对其进行评估。
- 保留流程定义和支持证据，以便接收团队可以评估不同地点和规模的变化。
- 将生产数据与其批次和流程环境联系起来，然后使用运营结果来改善开发和工程决策。
Industrial AI 可以通过帮助团队分析过程变化和尽早发现设备问题来扩展这种学习范围。下一步是选择已定义的制造问题，建立必要的数据，并测试应用程序是否改善了可衡量的结果。这些决策属于当今的投资计划，而团队仍然可以制定他们所依赖的系统和工作流程。
发布时间：2026 年 10 月 30 日