phân tích hệ chất chuyển hóa không phải song sinh số, nhưng có thể trở thành lớp trạng thái hóa học
song sinh số của một quá trình sản xuất không phải là một bảng điều khiển có nhiều biểu đồ. Nó là một hệ thống số liên kết với đối tượng vật lý, nhận dữ liệu, mô hình hóa trạng thái và có khả năng dùng trạng thái đó cho mô phỏng, dự báo hoặc quyết định. Một tổng quan năm 2026 về song sinh số trong công nghiệp thực phẩm mô tả kiến trúc theo các lớp cảm nhận, mô hình, mô phỏng và ứng dụng, đồng thời nhấn mạnh sự kết nối giữa dữ liệu, mô hình, quá trình và quản trị.
Trong khi đó, phân tích hệ chất chuyển hóa là cách nhìn vào một hệ thống hóa học thông qua tập hợp nhiều chất chuyển hóa hoặc tín hiệu phân tử thay vì chỉ theo dõi một vài chỉ tiêu. Với cà phê, các nghiên cứu dùng sắc ký lỏng ghép khối phổ đã cho thấy có thể phát hiện những thay đổi rộng của hồ sơ phân tử theo mức độ rang và lựa chọn các đặc trưng có khả năng phân biệt nhóm mẫu.
Hai khái niệm này không nên bị trộn lẫn. phân tích hệ chất chuyển hóa cung cấp một cách quan sát trạng thái hóa học; song sinh số là kiến trúc tích hợp dữ liệu và mô hình của đối tượng vật lý. Nếu nối đúng, dữ liệu phân tích hệ chất chuyển hóa có thể trở thành một lớp trạng thái chất lượng giúp song sinh số biết không chỉ “máy đang chạy ở nhiệt độ nào” mà còn “trạng thái hóa học của sản phẩm đang ở đâu”. Đây là hướng nghiên cứu có tiềm năng, nhưng không phải một quy trình đã được chuẩn hóa riêng cho dịch cà phê cô đặc.
Nối dữ liệu quá trình với hồ sơ hóa học bằng cùng một đơn vị vật lý
Điểm khó nhất không nằm ở thuật toán mà ở việc ghép hai thế giới dữ liệu. Dữ liệu quá trình có thể ghi liên tục: nhiệt độ, áp suất, lưu lượng, nồng độ, thời gian lưu, mức bồn và trạng thái thiết bị. Dữ liệu phân tích hệ chất chuyển hóa lại thường đến từ mẫu được lấy tại những thời điểm cụ thể và trải qua quy trình chuẩn bị, phân tích và xử lý tín hiệu.
Muốn nối chúng, mỗi mẫu hóa học phải có một định danh liên hệ được với mẻ, dòng sản phẩm, vị trí lấy mẫu và khoảng thời gian mà mẫu đại diện. Nếu một mẫu được lấy từ bồn chứa sau một khoảng thời gian trộn, không nên gán nó đơn giản cho một điểm cảm biến duy nhất. Nó có thể đại diện cho một khoảng lịch sử vận hành.
Nghiên cứu phân tích hệ chất chuyển hóa trên cà phê cho thấy dữ liệu phân tử thường được xử lý bằng các phương pháp đa biến để tìm đặc trưng phân biệt nhóm mẫu. Một nghiên cứu dùng HILIC-MS đã bắt đầu từ hàng chục đặc trưng phân tử, sau đó chọn những đặc trưng có khả năng phân biệt và xác nhận một phần các chất bằng dữ liệu phổ khối. Điều này gợi ý rằng dữ liệu phân tích hệ chất chuyển hóa khi đưa vào song sinh số không nên được coi là một “chỉ số chất lượng duy nhất”. Nó là một vector trạng thái có cấu trúc và cần được liên hệ với điều kiện quá trình.
Với dịch cà phê cô đặc, có thể tổ chức dữ liệu theo ba trục: lịch sử quá trình, trạng thái hóa học và kết quả chất lượng. Mỗi mẫu nằm trên cùng một dòng thời gian và cùng một mã mẻ, trong khi các biến quá trình được tổng hợp theo khoảng thời gian có ý nghĩa vật lý.
Từ dữ liệu quan sát đến mô hình trạng thái của concentrate
Sau khi dữ liệu được liên kết, bước tiếp theo là xây dựng mô hình. Một song sinh số có thể bắt đầu đơn giản: mô hình nhận các biến vận hành và dự báo một số thuộc tính chất lượng đã được đo. Ở mức cao hơn, mô hình có thể kết hợp cân bằng vật chất, truyền nhiệt, động học phản ứng và dữ liệu hóa học thực nghiệm.
Metabolomic Pathway Analysis có thể đóng vai trò diễn giải lớp hóa học thay vì chỉ làm nhiệm vụ phân loại. Nếu một nhóm đặc trưng phân tử thay đổi đồng thời với nhiệt độ, thời gian lưu hoặc mức cô đặc, nhà nghiên cứu có thể tìm mối liên hệ giữa điều kiện công nghệ và biến đổi hóa học. Tuy nhiên, tương quan không tự động chứng minh quan hệ nhân quả. song sinh số càng phức tạp thì yêu cầu xác thực càng cao.
Một kiến trúc hợp lý có thể gồm lớp dữ liệu vật lý, lớp xử lý và đồng bộ dữ liệu, lớp mô hình quá trình, lớp mô hình hóa học và lớp ứng dụng. Khung ISA-95 cũng cho thấy giá trị của việc phân biệt các lớp vật lý, cảm nhận, điều khiển, quản lý sản xuất và hệ thống doanh nghiệp khi thiết kế luồng thông tin trong sản xuất.
Điểm quan trọng là không nên đưa toàn bộ tín hiệu phân tích hệ chất chuyển hóa thô trực tiếp vào mô hình chỉ vì chúng có số lượng lớn. Cần kiểm soát chất lượng mẫu, hiệu chuẩn, mẫu kiểm soát, độ ổn định của phép đo và khả năng tái lập. Trong các nghiên cứu phân tích hệ chất chuyển hóa cà phê, việc chuẩn bị mẫu và lựa chọn nền tảng phân tích ảnh hưởng trực tiếp đến số lượng và loại đặc trưng quan sát được.
song sinh số chỉ đáng tin khi được cập nhật và kiểm chứng như một mô hình kỹ thuật
Một mô hình số có thể khớp rất tốt với dữ liệu lịch sử nhưng vẫn thất bại khi điều kiện sản xuất thay đổi. Vì vậy, song sinh số cần được kiểm chứng theo những trường hợp mà nó chưa thấy trong quá trình xây dựng mô hình: mẻ nguyên liệu khác, nồng độ khác, điều kiện nhiệt khác hoặc trạng thái thiết bị khác.
Việc kiểm chứng cũng phải tách khỏi dữ liệu dùng để huấn luyện. Nếu cùng một mẻ vừa được dùng để xây dựng mô hình vừa dùng để chứng minh mô hình đúng, kết quả dễ bị lạc quan. Với dữ liệu phân tích hệ chất chuyển hóa, nguy cơ này còn lớn hơn vì số đặc trưng có thể rất nhiều so với số mẫu. Các nghiên cứu phân biệt mẫu cà phê bằng dữ liệu phân tử vì vậy cần kiểm soát lựa chọn biến và đánh giá mô hình ngoài tập xây dựng khi muốn đưa kết quả sang ứng dụng thực tế.
Một song sinh số hữu ích cũng phải giữ được khả năng truy nguyên: dự báo được tạo từ dữ liệu nào, mẫu hóa học nào, phiên bản mô hình nào và điều kiện vận hành nào. Khi dữ liệu mới xuất hiện, hệ thống phải biết đó là thay đổi của quá trình hay thay đổi của phương pháp đo.
Đối với dịch cà phê cô đặc, hướng đi khả thi không phải là xây ngay một bản sao số hoàn chỉnh. Có thể bắt đầu bằng một mô hình nhỏ liên kết cân bằng vật chất, lịch sử nhiệt và một số chỉ dấu hóa học đã được xác thực. Sau đó mới mở rộng sang phân tích hệ chất chuyển hóa, mô hình động học và mô phỏng. Cách phát triển từng lớp giúp phân biệt rõ phần nào là dữ liệu quan sát, phần nào là suy luận của mô hình và phần nào là giả định cần được kiểm chứng.
International Society of Automation. ISA-95 Series of Standards: Enterprise-Control System Integration.
Tài liệu tham khảo
- Digital Twin Applications in Food Processing and Supply Chains: A Systematic Review (2026). Journal of Future Foods. DOI: 10.1016/j.jfutfo.2026.08.012.
- Marina, M. L. et al. (2018). A non-targeted metabolomic approach based on reversed-phase liquid chromatography-mass spectrometry to evaluate coffee roasting process. Food Research International / related indexed record. PubMed PMID: 30345455.
- Untargeted HILIC-MS-Based Metabolomics Approach to Evaluate Coffee Roasting Process: Contributing to an Integrated Metabolomics Multiplatform (2020).
Metabolomics isn't a digital twin, but it can become a chemical-state layer
A digital twin of a production process isn't a dashboard with lots of charts. It's a digital system connected to a physical object, receiving data, modeling state, and able to use that state for simulation, prediction, or decision support.
Metabolomics, meanwhile, is a way of viewing a chemical system through a large set of metabolites or molecular signals rather than tracking just a few indicators. For coffee, studies using liquid chromatography-mass spectrometry have shown this approach can reveal a broad chemical profile relevant to processing history.
These two concepts shouldn't be conflated. Metabolomics provides a way of observing chemical state; a digital twin is the integrated data-and-model architecture representing the physical object. When properly linked, metabolomics data can become a state layer feeding into a broader digital-twin architecture.
Linking process data with the chemical profile through the same physical unit
The hardest part isn't the algorithm but joining two very different data worlds. Process data can be logged continuously: temperature, pressure, flow rate, concentration, residence time, tank level, and equipment state. Metabolomics data usually arrives as discrete batches from analytical samples taken at specific points in time.
To link them, each chemical sample needs an identifier connecting it to a batch, product stream, sampling location, and the time window it represents. If a sample is taken from a holding tank after a period of mixing, it shouldn't simply be assigned to a single sensor timestamp; it needs to be linked to the relevant time range of process data instead.
Metabolomics research on coffee shows molecular data is usually processed with multivariate methods to find features distinguishing sample groups. One study using HILIC-MS started from dozens of molecular features, then selected the ones most relevant to distinguishing the groups studied.
For concentrated coffee liquid, data can be organized along three axes: process history, chemical state, and quality outcome. Each sample sits on the same timeline and under the same batch code, while process variables are aggregated over the relevant time interval.
From observed data to a state model of the concentrate
Once data is linked, the next step is building a model. A digital twin can start simply: a model that takes operating variables and predicts a few already-measured quality attributes. At a higher level, the model can combine mass balance, thermal history, and a chemical-state layer to create a fuller picture of the process.
Metabolomic Pathway Analysis can play an interpretive role for the chemical layer rather than just a classification task. If a group of molecular features changes at the same time as temperature, residence time, or concentration level, researchers can look for a relationship between operating conditions and the underlying chemical pathway involved.
A reasonable architecture can include a physical-data layer, a processing and synchronization layer, a process-model layer, a chemical-model layer, and an application layer. The ISA-95 framework also shows the value of distinguishing physical, sensing, control, and production-management layers when building this kind of integrated system.
An important point is not feeding every raw metabolomics signal directly into the model just because there are many of them. Sample quality control, calibration, control samples, measurement stability, and reproducibility all need managing carefully. In these kinds of studies, feature selection and validation matter more than the sheer number of variables collected.
A digital twin is only trustworthy when updated and validated like an engineering model
A digital model can fit historical data very well yet still fail once production conditions change. So a digital twin needs validating against cases it hasn't seen during model-building: a different raw-material lot, a different concentration level, or different operating conditions.
Validation also needs to be kept separate from the training data. If the same batch is used both to build the model and to prove the model correct, results can easily become overly optimistic. With metabolomics data, this risk is even greater because the number of features can be very large relative to the number of samples.
A useful digital twin also needs to preserve traceability: which data, which chemical sample, which model version, and which operating conditions a given prediction was generated from. When new data appears, the system needs to know whether it reflects a genuine process change or simply a shift outside the model's original training range.
For concentrated coffee liquid, a feasible path forward isn't building a complete digital twin right away. You can start with a small model linking mass balance, thermal history, and a few validated chemical markers. From there, the system can gradually expand toward incorporating deeper metabolomics analysis as data quality and validation confidence grow.
References
- Digital Twin Applications in Food Processing and Supply Chains: A Systematic Review (2026). Journal of Future Foods. DOI: 10.1016/j.jfutfo.2026.08.012.
- Marina, M. L. et al. (2018). A non-targeted metabolomic approach based on reversed-phase liquid chromatography-mass spectrometry to evaluate coffee roasting process. Food Research International / related indexed record. PubMed PMID: 30345455.
- Untargeted HILIC-MS-Based Metabolomics Approach to Evaluate Coffee Roasting Process: Contributing to an Integrated Metabolomics Multiplatform (2020).
- International Society of Automation. ISA-95 Series of Standards: Enterprise-Control System Integration.