Scale-Up Bioreaktor: kLa, Mixing Time, dan CFD yang Menentukan Nasib Produksi

Scale-up fermentasi dari bench ke produksi jarang soal RPM belaka. Di tangki besar, permintaan oksigen melonjak dan transfer massa melambat; mixing time meroket dan menciptakan gradien substrat, pH, hingga DO (dissolved oxygen). Banyak studi industri menempatkan kegagalan scale-up pada dua biang kerok itu: suplai oksigen yang tak memadai dan pencampuran yang buruk (gradien ekstrem) — sorotan yang dirangkum oleh BioProcess International dan BioProcess International. Konsekuensinya, engineer cenderung mengunci kLa atau mixing dalam rentang target menggunakan kaidah tak berdimensi dan korelasi empiris—sekitar 30% scale-up fermentasi mikroba mengadopsi kriteria “constant kLa” untuk menyamakan suplai oksigen, menurut ulasan yang sama.

Artikel ini memetakan cara menjaga dua parameter kunci itu—volumetric oxygen transfer coefficient kLa (laju perpindahan oksigen volumetrik, satuan s⁻¹ atau h⁻¹) dan mixing time (t_m, waktu mencapai 95% homogenitas usai injeksi tracer)—serta bagaimana computational fluid dynamics (CFD) memprediksi performa bioreaktor berskala besar dengan presisi yang kian meyakinkan.

Oxygen transfer lintas skala (kLa)

Di lab, kLa tinggi (≥0,05–0,1 s⁻¹; 180–360 h⁻¹) lazim tercapai. Di skala produksi, kLa cenderung turun kecuali daya per volume (P/V) atau laju udara dinaikkan. Studi Shin et al. (2013) memperlihatkan scale-up Aspergillus terreus dari 5 L ke 50 L dengan menyamakan kLa: di 5 L, 200 rpm + 1,5 vvm (vvm = volum gas per volum cairan per menit; penjelasan kualitatif) menghasilkan kLa≈0,02 s⁻¹ (≈72 h⁻¹); di 50 L, 180 rpm + 0,5 vvm juga memberi kLa≈0,02 s⁻¹. Hasilnya, produktivitas volumetrik dan spesifik hampir identik pada 5 L vs 50 L—contoh scale-up yang berhasil via penyamaan suplai oksigen (ResearchGate; dukungan naratif BioProcess International).

Kriteria scale-up yang umum dipakai:

• Constant kLa: agitasi dan aerasi diubah untuk menahan kLa tetap — diterapkan pada >30% scale-up antibiotik dan protein rekombinan (BioProcess International).
• Constant P/V (power per volume): praktis, tapi bisa menggeser kLa atau tegangan geser (shear).
• Constant oxygen flux: kadang memakai OUR (oxygen uptake rate) sebagai tolok.

Faktor yang menentukan kLa:

• Kecepatan impeller (N): kLa meningkat dengan N dan P/V; umumnya kLa ∝ (P/V)ⁿ (n≈0,5–0,8) di rezim turbulen. Agitasi lebih tinggi memperkecil gelembung dan menaikkan gas hold-up (BioProcess International; BioProcess International).
• Laju aerasi dan desain sparger: lebih banyak aliran gas menaikkan kLa hingga titik flooding; sparger tipe split/nozzle memperbaiki dispersi gelembung (BioProcess International; BioProcess International).
• Sifat fluida: viskositas, tegangan permukaan, busa dan antifoam memengaruhi ukuran gelembung; penambahan surfaktan dapat menurunkan kLa drastis hingga gelembung kembali terbentuk (BioProcess International). Dalam praktik, pilihan antifoam perlu dikalibrasi karena dapat mengubah transfer massa; pelengkap seperti antifoam umumnya ditujukan mengendalikan busa pada sistem aerasi.
• Tren skala: dengan desain yang baik, kLa pada fermentor besar bisa dijaga dalam rentang kecil—contoh 50 L pilot yang menyamai kLa 0,02 s⁻¹ di lab (BioProcess International).

Karena suplai oksigen kerap menjadi pembatas, memenuhi target kLa bersifat esensial. Menjaga kLa konstan cenderung mempertahankan fisiologi sel dan yield lintas skala (ResearchGate; BioProcess International). Tetapi menaikkan daya/agitasi untuk meningkatkan kLa akan menaikkan shear yang berpotensi merusak sel—trade-off yang kerap dipecahkan dengan O₂ murni, oxygen carrier, atau penambahan impeller.

Waktu pencampuran dan dinamika skala

Mixing time (t_m)—durasi menuju 95% homogenitas—mengendalikan keseragaman nutrien, pH, dan oksigen. Saat bejana membesar, t_m umumnya memanjang kecuali agitasi dinaikkan signifikan. Korelasi umum untuk tangki berpengaduk di rezim turbulen: produk tak berdimensi N·t_m ≈ konstan (BioProcess International), sehingga t_m ∝ 1/N. Pada P/V konstan, menaikkan volume 100× meminta P ∝ V^5/3 untuk menjaga t_m konstan (BioProcess International).

Praktiknya, menaikkan dari 1 L ke 100 L dengan tujuan mixing identik secara matematis butuh ~2.000× daya (BioProcess International)—tidak realistis. Tak heran, mixing melambat di skala besar kecuali disokong agitasi lebih bertenaga atau multi-impeller (BioProcess International; BioProcess International). Analisis lain memproyeksikan ~15 s mixing di 10 L vs ~200 s di 1.000 m³ (BioProcess International; BioProcess International). Dengan desain agresif, t_m dapat ditekan: sebuah STR (diameter bejana hingga 4 m) dilaporkan mencapai t_m ≤30 s pada skala penuh (Braz. J. Chem. Eng.).

Dampak pada sel nyata: mixing lemah menciptakan gradien yang mengganggu metabolisme—sel berpindah antara zona kaya dan miskin oksigen atau substrat. Produktivitas bisa turun hingga ~30% pada fermentor aerob besar dibanding reactor lab yang ter-mix baik. Karena itu, target mixing time (mis. <30–60 s) sering mendorong desain agresif. Praktik lain mengandalkan kriteria tak berdimensi: menjaga Re impeller (Re=N·D²/ν) atau P/V; N·t_m cenderung konstan di turbulen (BioProcess International), sehingga membesarkan D dapat menurunkan t_m ∝ 1/N. Dalam praktik, relasi t_m,new/t_m,old ≈ (V_new/V_old)^2/3 pada P/V konstan menegaskan bahwa t_m tumbuh bersama volume.

CFD untuk prediksi performa bioreaktor

CFD kini alat arus utama untuk memprediksi dan mengoptimasi performa bioreaktor skala besar sebelum eksperimen (Duoning BioTech; ISPE). Dengan menyelesaikan persamaan Navier–Stokes (sering multiphase gas–cair), CFD mengestimasi medan kecepatan, dispersi gas, gradien konsentrasi, laju geser, hingga kLa. Perangkat komersial (mis. ANSYS Fluent) menangkap perilaku aliran pada tangki ribuan liter, dan mengungkap “blind spot” seperti dead zones, vortexing, pola koalesensi gelembung—sulit diukur eksperimen.

Validasi lapangan solid. Prado & Dyrness (2020) menguji CFD melawan dua STR bersparger skala lab dan mendapat kecocokan kLa sangat baik: kasus 1 terukur 4,25 h⁻¹ vs CFD 4,10 h⁻¹ (galat 3,4%); kasus 2 12,43 h⁻¹ untuk keduanya (ISPE). Cytiva melaporkan model gas–cair mereka memprediksi kLa dan daya (torsi) dalam ±20% dari data eksperimen pada 200 L (Cytiva; Cytiva), dan desain final terkonfirmasi CFD juga berada dalam ±20% data pilot.

Bagaimana dipakai: workflow bertahap (contoh Xcellerex dari Cytiva) dimulai dari model cairan saja untuk menyamakan mixing time dan torsi, lalu model gas–cair dipoles untuk ukuran/koalesensi gelembung. Output CFD berupa peta 3D konsentrasi, kecepatan, dan shear. Studi oleh peneliti industri Indonesia menunjukkan Rushton konvensional menciptakan disparitas kecepatan aksial besar (~0,95 m/s) antara zona atas dan bawah, sementara impeller “flat” menyamakan (~0,05 m/s); optimasi juga menurunkan konsumsi daya ~21% (vs 17% desain alternatif) — temuan kuantitatif yang langsung menginformasikan keputusan mixing–energi (CFD Letters).

Dampak bisnis: CFD memangkas risiko dan biaya, berpotensi “menghapus ribuan jam uji coba” dengan menyingkirkan desain tak layak secara in silico (Duoning BioTech). Ketimbang menguji setiap tipe impeller atau strategi aerasi, tim bisa menyimulasikan skenario kunci lalu memfokuskan eksperimen pada kandidat paling menjanjikan. Studi kasus industri menunjukkan desain berbekal CFD kerap mencapai target (kLa, mixing time, daya) lebih cepat dan dengan iterasi lebih sedikit; sebuah biopharma, misalnya, mengoptimasi geometri tangki serta tata letak sparger/impeller secara provisional via CFD dan uji basah akhirnya jatuh dalam pita prediksi ±20% (Cytiva; Cytiva).

Strategi scale-up berbasis data

1. Karakterisasi proses skala kecil: ukur baseline kLa, t_m, input daya, dan produktivitas. Tentukan OUR dan sensitivitas terhadap mixing.
2. Tetapkan kriteria scale-up: parameter yang harus dijaga (mis. kLa minimum, t_m maksimum). Praktik umum: target kLa yang melampaui kebutuhan sel dengan margin, berdasar data lab (BioProcess International; ResearchGate).
3. Rancang eksperimen pilot: pada skala berikutnya (10–50× lebih besar), atur agitasi dan aerasi untuk mencapai target kLa, lalu ukur kLa aktual dan mixing. Bandingkan kinerja (pertumbuhan, titer) vs skala kecil; contoh 5 L → 50 L mempertahankan kLa 0,02 s⁻¹ dan yield (ResearchGate).
4. Jalankan CFD paralel: simulasikan bejana lab dan pilot. Validasi model dengan membandingkan kLa dan t_m simulasi vs terukur di pilot (ISPE; CFD Letters). Koreksi model bila perlu (rheologi, parameter bubble-breakup). Setelah tervalidasi, gunakan CFD memprediksi kondisi skala penuh (mis. kecepatan impeller, laju sparge) untuk memenuhi kriteria.
5. Optimasi impeller & aerasi: uji alternatif via CFD (tipe/jumlah impeller, baffle, layout sparger). Purwanto et al. menunjukkan impeller flat memperbaiki keseragaman aliran vs Rushton (disparitas aksial ~0,95 m/s → ~0,05 m/s) dan memangkas daya ~21% (vs 17% desain alternatif) (CFD Letters). Seimbangkan target t_m dengan hukum 2.000× daya tadi (BioProcess International).
6. Pilot produksi dan validasi: jalankan desain final di pilot, konfirmasi output utama (produktifitas, mutu, impuritas kritis). Verifikasi asumsi mixing dan oksigen via probe in-line (DO, pH).
7. Implementasi skala penuh: terapkan kondisi terukur dan prediksi CFD. Pantau kLa (metode gassing-out dinamis atau setara) dan indikator mixing; koreksi bila perlu. Pastikan kepatuhan kualitas (mis. cGMP)—skema yang dikembangkan internasional dapat digunakan di Indonesia bila dibenarkan oleh data (BioProcess International; ResearchGate).

Panduan angka operasional

• kLa: jaga di atas nilai yang memberi yield optimal di skala kecil (sering puluhan h⁻¹). Gunakan probe DO untuk melacak OTR dan pertahankan kultur ≥30–40% DO.
• Mixing time: rancang <1–2 menit di skala komersial (multi-impeller lazim). Fermentor 4 m pernah mencapai <30 s (Braz. J. Chem. Eng.); mixing 1–2 menit masih dapat diterima jika fisiologi sel toleran.
• Power per volume: ekspektasikan kenaikan hingga 2–3× dari bench ke pilot, dan 10–20× dari bench ke skala penuh. Sebagai referensi, 1–10 W/L lazim pada bioreaktor kecil, sementara operasi industri bisa mencapai 50–150 W/L untuk kultur berpermintaan tinggi.

Sumber, kutipan, dan metadata

Ikhtisar prinsip dan angka dalam artikel ini merujuk pada literatur teknis dan laporan industri berikut. Ulasan kaidah scaling oleh Chaudhry (2024) (BioProcess International; BioProcess International); demonstrasi constant-kLa oleh Shin et al. (2013) (ResearchGate); optimasi mixing berbasis CFD oleh Purwanto et al. (2023) (CFD Letters); akurasi CFD vs eksperimen oleh Prado & Dyrness (2020) (ISPE); serta ringkasan nilai CFD dalam mengurangi eksperimen oleh Duoning BioTech (2025) (Duoning BioTech). Rincian CFD dan validasi produk oleh Cytiva tersedia di (tautan 1; tautan 2).

Metadata referensi (semua karya yang dikutip):

• Bonvillani P., Ferrari M.P., Ducrós E.M. (2006). Theoretical and experimental study of the effects of scale-up on mixing time for a stirred-tank bioreactor. Braz. J. Chem. Eng. 23(1): 47–61 (scielo.br). DOI:10.1590/S0104-66322006000100001.
• Chaudhry M.A. (2024). Lessons in Bioreactor Scale-Up, Part 2: A Refresher on Fluid Flow and Mixing. BioProcess International, 12 Jun 2024 (tautan; tautan).
• Chaudhry M.A. (2024). Lessons in Bioreactor Scale-Up, Part 4: Physiochemical Factors Affecting Oxygen Transfer and the Volumetric Mass-Transfer Coefficient. BioProcess International, 15 Okt 2024 (tautan; tautan).
• Shin W.-S., Park K.-W., et al. (2013). Application of Scale-Up Criterion of Constant Oxygen Mass Transfer Coefficient (kLa) for Production of Itaconic Acid in a 50 L Pilot-Scale Fermentor. Journal of Microbiology and Biotechnology 23(10): 1366–1372 (ResearchGate).
• Prado E., Dyrness A. (2020). Using CFD Multiphase Modeling to Predict Bioreactor Performance. Pharmaceutical Engineering, Sept/Oct 2020: 1–15 (ispe.org).
• Cytiva Life Sciences (n.d.). Bioreactor design and scale-up with CFD modeling. Web article (Xcellerex design) (tautan; tautan).
• Duoning BioTech (2025). Scale-up and Scale-down of Industrial Fermentation Technology. Company news, 8 Jan 2025 (duoningbio.com).
• Purwanto S., Novariawan B., Suparman, Budiana Haedar A. (2023). CFD Analysis and Development of Mixing Tank Design for the Fermented Starch Production Process. CFD Letters 15(2): 3342–3359 (semarakilmu.com.my).

Semua URL sumber dan snapshot halaman diarsipkan dalam kutipan di atas.