해석 가능한 바이오제조 공정 위험·민감도 분석과 품질 설계

초록

본 논문은 바이오제조 공정의 복잡성과 데이터 부족 문제를 해결하기 위해, CPP(핵심 공정 변수)와 CQA(핵심 품질 속성) 간 인과관계를 베이지안 네트워크 형태의 확률적 지식 그래프로 모델링한다. 이후 게임 이론의 샤플리 값(Shapley value)을 이용해 각 입력 요인이 생산성·품질 변동에 기여하는 정도를 정량화하고, 모델 파라미터 추정의 불확실성을 베이지안 사후분포로 표현하여 모델 위험을 함께 평가한다. 제안 방법은 병목 요인 식별, 공정 사양 최적화, 정보가치가 높은 데이터 수집 전략 수립 등에 활용될 수 있다.

상세 분석

이 연구는 바이오제조 공정의 고차원·고복잡성을 인과적 구조를 명시적으로 포함하는 베이지안 네트워크(BN)로 추상화함으로써, 기존의 블랙박스 기반 PAT(공정 분석 기술)와는 차별화된 해석 가능성을 제공한다. BN은 각 CPP와 CQA를 노드로 두고, 도메인 전문가 지식과 제한된 실험 데이터를 결합해 조건부 확률표(CPT)를 학습한다. 이렇게 구축된 확률적 지식 그래프는 입력 변수들의 확률 분포와 상호 의존성을 동시에 모델링하므로, 공정 변동성의 근본 원인을 정량적으로 파악할 수 있다.

샤플리 값 기반 민감도 분석은 게임 이론에서 파생된 공정 기여도 측정 방법으로, 모든 변수 조합에 대한 평균 기여도를 계산한다. 기존의 1차·총 효과(Sobol)와 달리, 샤플리 값은 변수 간 상호작용을 완전하게 반영한다. 논문에서는 Monte‑Carlo 샘플링과 베이지안 추정치를 결합한 알고리즘을 제시해, 각 CPP·CQA가 생산성(Y) 및 품질 지표에 미치는 변동 기여도를 정확히 산출한다.

또한, 모델 파라미터 θ의 추정 불확실성을 베이지안 사후분포(p(θ|데이터))로 표현하고, 이 사후분포를 샤플리 값 계산에 통합함으로써 ‘모델 위험(Model Risk)’을 정량화한다. 즉, 파라미터 추정 오차가 민감도 결과에 미치는 영향을 평가해, 어느 파라미터 집합이 추가 실험을 통해 가장 큰 정보 이득을 제공할지를 제시한다. 이러한 이중 불확실성(내재적 공정 변동성 + 모델 추정 불확실성) 고려는 QbD(Quality‑by‑Design) 원칙에 부합하며, 공정 사양을 보수적으로 설정하면서도 효율적인 데이터 수집 전략을 설계할 수 있게 한다.

실험에서는 시뮬레이션 데이터와 실제 세포·유전자 치료제 생산 데이터를 이용해, 제안된 BN‑SV 프레임워크가 기존 PLS, ANN 기반 민감도 분석보다 변수 중요도 순위가 더 일관되고, 모델 불확실성을 반영한 결과가 실제 공정 변동을 더 잘 설명함을 보였다. 특히, 특정 원료 배합과 pH 조절 변수가 생산성 감소에 가장 큰 기여를 하는 것으로 밝혀졌으며, 해당 변수에 대한 정밀 제어와 추가 실험이 공정 안정성 향상에 핵심임을 확인했다.

전반적으로 이 논문은 (1) 인과관계를 명시한 확률적 지식 그래프 구축, (2) 샤플리 값 기반 전역 민감도 분석, (3) 베이지안 모델 불확실성 통합이라는 세 축을 통해 바이오제조 공정의 위험·민감도 분석을 체계화하고, 실무 적용 가능성을 높인 점이 가장 큰 공헌이라 할 수 있다.