Die QbD-Kolumne: Ist QbD für die Entwicklung analytischer Methoden anwendbar?Anmerkung der Redaktion: Dieser Beitrag ist von @ronkenett Und @david_s des KPA-Gruppe . Es ist Teil einer Reihe von Blogbeiträgen mit dem Titel Die QbD-Spalte . Für weitere Informationen zu den Autoren klicken Sie oben auf die Community-Namen der Autoren.
Ron KenettRon KenettRon KenettRon KenettRon Kenett
David SteinbergDavid SteinbergDavid SteinbergDavid Steinberg David Steinberg
Die Entwicklung von Mess- oder Analysemethoden erfolgt parallel zur Entwicklung von Arzneimitteln. Das Verständnis der Prozessüberwachungs- und -kontrollanforderungen bestimmt die Leistungskriterien für Analysemethoden, einschließlich der prozesskritischen Qualitätsattribute (CQAs) und Spezifikationsgrenzen. Die Identifizierung von CQAs erfolgt durch die Aufdeckung der Merkmale eines Arzneimittelwirkstoffs, die einer Kontrolle bedürfen, um Sicherheit oder Wirksamkeit zu gewährleisten. Zu den typischen Anforderungen an Analysemethoden gehören:
- Präzision: Diese Anforderung stellt sicher, dass die Methodenvariabilität nur einen kleinen Teil des Spezifikationsbereichs ausmacht (obere Spezifikationsgrenze – untere Spezifikationsgrenze). Dies wird auch als Gage Reproducibility and Repeatability (GR&R) bezeichnet.
- Selektivität: Dadurch wird festgelegt, welche Verunreinigungen in jedem Produktionsschritt überwacht werden müssen, und es werden Entwurfsmethoden festgelegt, die die relativen Anteile jeder Verunreinigung angemessen unterscheiden.
- Empfindlichkeit: Um eine effektive Prozesskontrolle zu erreichen, sind Methoden erforderlich, die Änderungen der CQAs, die im Verhältnis zu den Spezifikationsgrenzen wichtig sind, genau widerspiegeln.
Diese Kriterien legen die Zuverlässigkeit von Methoden für den Einsatz im Routinebetrieb fest. Dies hat Auswirkungen auf die Analysezeit, akzeptable Lösungsmittel und die verfügbare Ausrüstung. Um eine Analysemethode mit QbD-Prinzipien zu entwickeln, müssen die Leistungskriterien der Methode sowie die gewünschte betriebliche Absicht des letztendlichen Endbenutzers verstanden werden. Ein begrenztes Verständnis einer Methode kann zu einem schlechten Technologietransfer vom Labor zur Verwendung in kommerziellen Produktionsanlagen oder von einer bestehenden Anlage zu einer neuen führen. Fehlgeschlagene Übertragungen erfordern oft erhebliche zusätzliche Ressourcen, um die Fehlerursachen zu beheben, meist zu einem Zeitpunkt, an dem ein erheblicher Druck besteht, die Einführung eines neuen Produkts voranzutreiben. Die Anwendung von Quality by Design (QbD) auf Analysemethoden zielt darauf ab, solche Probleme zu verhindern. Die QbD-Implementierung bei der Entwicklung analytischer Methoden ist typischerweise ein vierstufiger Prozess, der sich sowohl mit dem Design als auch mit der Kontrolle der Methoden befasst [1] . Die Etappen sind:
- Absicht des Methodendesigns : Identifizieren und spezifizieren Sie die Leistung der Analysemethode.
- Auswahl des Methodendesigns : Wählen Sie die Arbeitsbedingungen der Methode aus, um die Entwurfsabsicht zu erreichen.
- Definition der Methodensteuerung : Etablieren und definieren Sie geeignete Kontrollen für die Komponenten mit den größten Beiträgen zur Leistungsvariabilität.
- Validierung der Methodenkontrolle : Demonstrieren Sie eine akzeptable Methodenleistung mit robusten und effektiven Kontrollen.
Bei der Prüfung der Robustheit analytischer Methoden geht es darum, den Einfluss kleiner Änderungen der Betriebsbedingungen zu bewerten [2] . Robustheitstests ermitteln den Grad der Reproduzierbarkeit von Testergebnissen, die durch die Analyse derselben Probe unter verschiedenen normalen Testbedingungen wie verschiedenen Labors, Analysten und Instrumenten erzielt werden. In der folgenden Fallstudie konzentrieren wir uns auf den Einsatz von Experimenten zur Bewertung und Verbesserung der Robustheit.
Eine Fallstudie zur HPLC-Entwicklung
Die hier vorgestellte Fallstudie stammt aus der Entwicklung einer Methode der Hochleistungsflüssigkeitschromatographie (HPLC). [3] . Es ist ein typisches Beispiel für die Prüfung der Robustheit analytischer Methoden. Das spezifische System besteht aus einem Agilent 1050 mit einem UV-Detektor mit variabler Wellenlänge und einem Integrator Modell 3396-A. Ziel der Robustheitsstudie ist es herauszufinden, ob Abweichungen von den nominellen Betriebsbedingungen die Ergebnisse beeinflussen. Tabelle 1 listet die in dieser Fallstudie verwendeten Faktoren und ihre Ebenen auf. Die experimentelle Anordnung ist eine 2 7-4 Bruchfaktorielles Experiment mit drei Mittelpunkten (siehe Tabelle 2). Die Stufen „-1“ und „1“ entsprechen den in Tabelle 1 aufgeführten unteren und oberen Stufen, und „0“ entspricht dem Nennniveau. Die unteren und oberen Werte werden so gewählt, dass sie Schwankungen widerspiegeln, die während des regulären Betriebs natürlicherweise um die Nenneinstellung auftreten können. Beispiele für QbD-Anwendungen fraktionalfaktorieller Experimente zur Formulierung und Entwicklung von Arzneimittelprodukten finden Sie im zweite Und dritte Blogbeiträge dieser Reihe.
Tabelle 1. Faktoren und Ebenen im HPLC-Experiment.
Tabelle 2. Experimenteller Aufbau des HPLC-Experiments.
Die Versuchsanordnung besteht aus 11 Versuchsläufen, die die Ebenen der Designfaktoren in einem ausgewogenen Satz von Kombinationen und drei Mittelpunkten kombinieren.
Was wir aus den HPLC-Experimenten lernen können
Bei der Analyse des HPLC-Experiments verfolgen wir folgende Ziele:
- Ermitteln Sie die erwartete Varianz der Methodenmessvorhersage für empfohlene Konfigurationen der Methode (die Messunsicherheit).
- Identifizieren Sie die besten Einstellungen der experimentellen Faktoren, um eine akzeptable Leistung zu erzielen.
- Bestimmen Sie die Faktoren, die sich auf die Leistung der Methode bei einer oder mehreren Antworten auswirken.
- Bewerten Sie den Einfluss der Variabilität der experimentellen Faktoren auf die gemessenen Reaktionen.
- Machen Sie den HPLC-Prozess robuster, indem Sie die Nichtlinearität der Faktoreffekte ausnutzen, um eine Leistung zu erzielen, die nicht empfindlich auf Änderungen der Nennwerte reagiert.
Betrachten wir nur die acht Versuchsdurchläufe des 2 7-4 Bruchfaktoriell, ohne die Mittelpunkte, erhalten wir eine durchschnittliche Vorhersagevarianz von 0,417 und 100 % Optimalität für die Anpassung eines Modells erster Ordnung. Dies liegt an der ausgewogenen Eigenschaft des Designs (siehe Abbildung 1 links). Das Design in Tabelle 2 mit drei Mittelpunkten verringert die Vorhersageunsicherheit in der Nähe der Mitte der Region und weist eine geringere durchschnittliche Vorhersagevarianz von 0,38 auf. Allerdings tragen die Mittelpunkte nicht zur Schätzung von Steigungen bei, was sich in der geringeren Effizienz bei der Anpassung des Modells erster Ordnung zeigt (siehe Abbildung 1 rechts). 
Abbildung 1. Entwerfen Sie eine Diagnose für diese fraktionierte Fakultät ohne (links) und mit (rechts) drei Mittelpunkten.
Figur 2. Prognosevarianzprofil ohne (oben) und mit (unten) Mittelpunkten.
Das JMP-Vorhersagevarianzprofil in Abbildung 2 zeigt das Verhältnis der Vorhersagevarianz zur Fehlervarianz, auch relative Varianz der Vorhersage genannt, bei verschiedenen Faktorstufenkombinationen. Die relative Varianz wird in der Mitte des Designs minimiert. Das Hinzufügen von drei Mittelpunkten verringert die Vorhersagevarianz um 25 %, von 0,12 auf 0,09. Dies ist ein Vorteil, der durch das Hinzufügen experimenteller Läufe an den Mittelpunkten entsteht. Ein weiterer Vorteil, den wir später sehen werden, besteht darin, dass wir anhand der Mittelpunkte nichtlineare Effekte oder mangelnde Anpassung an das lineare Regressionsmodell beurteilen können. Ein dritter Vorteil besteht darin, dass die Mittelpunkte uns eine modellfreie Schätzung des Ausmaßes der natürlichen Variation im System liefern. Bei jeder Faktorstufenkombination ergaben die Experimente fünf Antworten: 1) Fläche des Chromatogramms am Peak (peakArea), 2) Höhe des Chromatogramms am Peak (peakHeight), 3) Mindestretentionszeit angepasst an den Standard (tRmin), 4) Nicht angepasstes Minimum Retentionszeit (unad tRmin) und 5) Chromatogrammauflösung (Res). Unser erstes Anliegen bei der Analyse der Daten besteht darin, geeignete Modelle zu identifizieren, die Faktoren und Reaktionen verknüpfen.
Was lernen wir aus der Analyse der Daten aus dem fraktionierten faktoriellen Experiment?
Lineare Regressionsmodelle sind die am einfachsten zu berücksichtigenden Modelle. Sie stellen Veränderungen in den Reaktionen zwischen zwei Faktorenebenen dar, in unserem Fall entspricht dies den Ebenen mit der Bezeichnung „-1“ und „+1“. Da wir auch drei Mittelpunkte haben, auf den mit „0“ gekennzeichneten Ebenen, können wir auch nichtlineare Effekte beurteilen. Wir tun dies, wie in unserem zweiten Blogbeitrag, indem wir eine synthetische Indikatorvariable hinzufügen, die zur Bewertung der mangelnden Anpassung (LOF) entwickelt wurde und an den Mittelpunkten „1“ und an anderen Stellen „0“ beträgt. Der JMP-Effektzusammenfassungsbericht für alle fünf Antworten mit linearen Auswirkungen auf alle sieben Faktoren und den LOF-Indikator ist in Abbildung 3 dargestellt. 
Figur 3. Wirkungszusammenfassungsbericht von sieben Faktoren und LOF-Indikator für fünf Antworten.
In der Tabelle „Effektzusammenfassung“ werden die Modelleffekte für den gesamten Satz von fünf Antworten aufgeführt, sortiert nach aufsteigenden p-Werten. Der LogWorth für jeden Effekt ist als -log10(p-Wert) definiert, wodurch die p-Werte angepasst werden, um eine geeignete Skalierung für Grafiken bereitzustellen. Ein LogWorth, der 2 überschreitet, ist auf der 0,01-Ebene signifikant, da -log10(0,01)=2. Der Bericht enthält ein Balkendiagramm des LogWorth mit gestrichelten vertikalen Linien bei ganzzahligen Werten und einer blauen Referenzlinie bei 2. Die angezeigten p-Werte entsprechen dem Signifikanztest, der in der Tabelle „Effekttests“ des Modellberichts angezeigt wird. Der Bericht in Abbildung 3 zeigt, dass insgesamt vier Faktoren und LOF auf dem 0,01-Niveau signifikant sind (Col Temp, Gradient, Buf PH und Dim Perc) und Buf Conc, Det Wave und Trie Perc nicht signifikant sind. Aus dem Versuchsplan in Tabelle 2 lassen sich die Haupteffekte der sieben Faktoren und des LOF-Indikators auf die fünf Antworten mit einem linearen Modell abschätzen. Abbildung 4 zeigt Parameterschätzungen für „peakHeight“ mit angepasstem R 2 von 93 %, eine sehr gute Passform. Die PeakHeight-Reaktion reagiert am empfindlichsten auf Schwankungen von Col Temp, Det Wave und Gradient.
Figur 4. Parameterschätzungen der PeakHeight von sieben Faktoren und LOF-Indikator mit linearem Modell. Zur besseren Lesbarkeit wurden PeakHeights durch 1000 geteilt.
Wir beobachten einen statistisch signifikanten Unterschied zwischen dem vorhergesagten Wert am Mittelpunkt des Versuchsplans und den drei dort tatsächlich durchgeführten Messungen (über die LOF-Variable). Abbildung 5 zeigt ein Profildiagramm, das die linearen Auswirkungen jedes Faktors auf alle fünf Antworten zeigt.Das Diagramm ist sehr hilfreich, um hervorzuheben, welche Bedingungen die HPLC-Methode beeinflussen könnten. Wir sehen, dass Col Temp und Gradient, die beiden wichtigsten Faktoren, verschiedene Reaktionen beeinflussen.Buf pH, Buf Conc und Dim Perc haben besonders starke Auswirkungen auf die Retentionsreaktionen, haben jedoch schwache Auswirkungen auf die anderen CQAs.Die Faktoren ergeben gute Anpassungen an die Retentionsantworten und an „peakHeight“, nicht jedoch an „peakArea“ oder „Res“, was sich in den breiten Konfidenzbändern für diese CQAs und in hohen p-Werten für die gesamten Modell-F-Tests in der Zeile „Analyse der Varianz“ widerspiegelt der Modellausgabe.
Abbildung 5. Profiler von HPLC-Experimenten mit linearem Modell.
Was sollen wir gegen die Nichtlinearität tun? Unsere Analyse ergab einen signifikanten Effekt des LOF-Indikators, der auf einen nichtlinearen Effekt hinweist, der im Profiler von Abbildung 5 nicht berücksichtigt wird. Die Mittelpunkte, die wir dem zweistufigen fraktionierten faktoriellen Design hinzugefügt haben, ermöglichen es uns, die Nichtlinearität zu erkennen, aber sie liefern nicht genügend Informationen, um zu bestimmen, was sie verursacht – jeder der sieben Faktoren (und möglicherweise mehrere von ihnen) könnte dafür verantwortlich sein der nichtlineare Effekt auf die Spitzenhöhe.In unserem nächsten Blog werden wir einige Designoptionen diskutieren, um das Problem anzugehen. Zunächst zeigen wir, was wir mit dem aktuellen Experiment erreicht haben. Nach langem Brainstorming gelangte das HPLC-Team zu dem Schluss, dass der Gradient höchstwahrscheinlich der Faktor war, der die Nichtlinearität verursachte. Diese wichtige Annahme, die nur auf Prozesswissen basiert, ist für alle unsere nachfolgenden Schlussfolgerungen von entscheidender Bedeutung.Wir haben dann ein Modell an die ursprünglichen experimentellen Daten angepasst, das einen quadratischen Effekt für den Gradienten beinhaltet. Das Team beschloss außerdem, für jede Antwort nur die Faktoren mit den stärksten Haupteffekten beizubehalten. Für PeakHeight waren die Faktoren Gradient, Säulentemperatur und Detektionswellenlänge. In Abbildung 6 zeigen wir Parameterschätzungen aus der Anpassung dieses reduzierten Modells an die PeakHeight-Antworten. Bei diesem Modell sind alle Terme mit einem angepassten R signifikant 2 von 89 %.Der quadratische Mittelwertfehler, der die Variation von Lauf zu Lauf bei denselben Einstellungen der Faktoren schätzt, beträgt 1,754, etwas weniger als 1 % der Größe von PeakHeight selbst (nach Division von PeakHeight durch 1000).
Abbildung 6. Parameterschätzungen von PeakHeight mit quadratischem Modell. Zur besseren Lesbarkeit wurden PeakHeights durch 1000 geteilt.
In Abbildung 7 zeigen wir einen Profiler für das reduzierte quadratische Modell. 
Abbildung 7. Profiler des HPLC-Experiments mit reduziertem quadratischem Modell für PeakHeight. Zur besseren Lesbarkeit wurden PeakHeights durch 1000 geteilt.
Eine robuste Lösung finden
Eines der Hauptziele des Experiments bestand darin, die Robustheit des Systems gegenüber Variationen der Eingabefaktoren zu bewerten. Wir gehen dieser Frage nach, indem wir den vier Faktoren im reduzierten quadratischen Modell normales Rauschen hinzufügen. Für jeden der drei Faktoren haben wir eine Standardabweichung von 0,4 (in den codierten Einheiten) angenommen, was die Standardoption in JMP ist. Dies spiegelt die Ansicht wider, dass die experimentellen Einstellungen etwa 2,5 SD vom Nennwert abweichen und somit eher extreme Abweichungen widerspiegeln, die in der Praxis auftreten können. Abbildung 8 zeigt die Auswirkung von Rauschen auf die Spitzenhöhe für eine Anordnung am Mittelpunkt, die ursprünglich als Nenneinstellung identifiziert wurde.Wir können die SD der simulierten Ergebnisse berechnen, indem wir sie in einer Tabelle speichern und die Registerkarte „Verteilung“ in JMP verwenden. Die SD beträgt 2,397 und ist etwas größer als die zuvor berechnete Run-to-Run-SD von 1,754. Die mit dem Analysesystem verbundene Gesamt-SD umfasst beide Komponenten. Um sie zu kombinieren, müssen wir sie zunächst quadrieren, dann addieren (da Varianzen additiv und nicht SD sind) und dann eine Quadratwurzel ziehen, um zur ursprünglichen Messskala zurückzukehren. Die resultierende kombinierte SD beträgt 2,970, sodass die erwartete Variation der Faktoreinstellungen zu einer SD führt, die etwa 70 % größer ist als die SD, die sich allein aus der Variation von Lauf zu Lauf ergibt.Die Gesamt-SD beträgt weniger als 1,5 % der typischen PeakHeight-Werte und wurde für diesen Prozess als akzeptabel angesehen.
Ist unsere nominale Lösung eine gute Lösung für die Robustheit?
Abbildung 8 ist bei der Beantwortung dieser Frage sehr hilfreich. Der wichtige Faktor hierbei ist der Gradient durch seine nichtlineare Beziehung zur PeakHeight. Das „Tal“ dieser Beziehung liegt nahe der nominellen Wahl von 0. Unsere Simulation der Faktorvariation generiert Gradientenwerte, die den Bereich von -1 bis 1 abdecken. Wenn diese Werte im Tal liegen, übertragen sie nur sehr geringe Schwankungen auf PeakHeight. Wenn sie sich dagegen in der Nähe der Extremwerte befinden, gibt es erhebliche Schwankungen in der Spitzenhöhe. Die Tatsache, dass die Talsohle nahe an der Nenneinstellung liegt, stellt sicher, dass die übertragene Variation so gering wie möglich ist. Wir können diese Funktion testen, indem wir den Nominalwert von Gradient verschieben. Wenn der Nominalwert -0,5 beträgt, zeigt der Simulator, dass die SD aus der Faktorvariation auf 4,282 ansteigt, fast 80 % mehr als bei der Nominaleinstellung von 0. Die Abhängigkeit von PeakHeight von Col Temp und Det Wave ist linear. Unabhängig davon, wie wir die nominalen Einstellungen dieser Faktoren wählen, übertragen sie den gleichen Variationsgrad auf die PeakHeight-Ausgabe. Das Experiment ermöglicht es uns zu beurteilen, wie sie sich auf die Robustheit auswirken, bietet jedoch keine Möglichkeit, die Ergebnisse zur Verbesserung der Robustheit zu nutzen.
Abbildung 8. Vorhersageprofiler von PeakHeight, wenn die Faktoren ihre Nominaleinstellungen haben und die natürliche SD 0,4 beträgt. Zur besseren Lesbarkeit wurden PeakHeights durch 1000 geteilt.
Zurück zu den ursprünglichen Fragen
Bei der Durchsicht der ursprünglich gestellten Fragen können wir nun folgende Antworten geben:
1. Wie hoch ist die erwartete Varianz der Methodenmessungsvorhersage für empfohlene Methodenkonfigurationen (Messunsicherheit)?
Antwort: Wir haben uns diese Frage am genauesten für „peakHeight“ angesehen, wo wir herausgefunden haben, dass die SD 2970 beträgt, mit ungefähr gleichen Beiträgen aus der Variation von Lauf zu Lauf und aus der Variation der Messprozessfaktoren.
2. Mit welcher Konfiguration der experimentellen Faktoren wird eine akzeptable Leistung erzielt?
Antwort: Wenn alle Faktoren ihre Nominaleinstellungen haben (codierter Wert bei 0), beträgt die SD von 2970 weniger als 1,5 % der Größe der gemessenen Werte, was in dieser Anwendung ein akzeptables Maß an Schwankung darstellt.
3. Welche Faktoren beeinflussen die Leistung der Methode in einer oder mehreren Antworten?
Antwort: Die drei Faktoren mit dem größten Einfluss auf die Leistung der Methode sind Gradientenprofil, Säulentemperatur und Detektionswelle.
4. Können wir den Aufbau der experimentellen Faktoren robust gestalten, um eine Leistung zu erzielen, die nicht empfindlich auf Änderungen der Faktorniveaus reagiert?
Antwort: Wir haben gesehen, dass wir die Robustheit von „peakHeight“ verbessern können, indem wir den Gradienten auf den codierten Wert 0 (den nominalen Wert im Experiment) setzen. Diese Einstellung hilft uns, den nichtlinearen Effekt des Gradienten zu nutzen und die übertragene Variation zu reduzieren.
5. Können wir den Einfluss der Variabilität der experimentellen Faktoren auf die Analysemethode abschätzen?
Antwort: Wie bereits erwähnt, ist die natürliche Variabilität der Eingabefaktoren für etwas mehr als die Hälfte der Variation von PeakHeight verantwortlich.
Einpacken
Bei der Überprüfung der ursprünglich gestellten Fragen haben wir zunächst ein lineares Regressionsmodell angepasst. Nachdem wir festgestellt hatten, dass es einen unberücksichtigten nichtlinearen Effekt gibt, verwendeten wir ein reduziertes quadratisches Modell und stellten fest, dass es gut zu den Daten passt. Indem wir Variabilität in den Faktoren des reduzierten Quadrats (Gradientenprofil, Säulentemperatur und Detektionswelle) induzieren, konnten wir die Variabilität aufgrund der Methode abschätzen und die Robustheit des empfohlenen Aufbaus beurteilen. Die Annahme des Teams, dass der Gradient für die Nichtlinearität verantwortlich ist, ist hier eindeutig wichtig. Wenn auch andere Faktoren nichtlineare Auswirkungen haben, könnte dies Konsequenzen für die bestmögliche Verbesserung der Robustheit der Methode haben. Wir werden dieses Problem in unserem nächsten Blogbeitrag weiter untersuchen.
Anmerkungen
[1] Borman, P., Nethercote, P., Chatfield, M., Thompson, D., Truman, K. (2007), Pharmazeutische Technologie. http://pharmtech.findpharma.com/pharmtech/Peer-Reviewed+Research/The-Application-of-Quality-by-Design-to-Analytical/ArticleStandard/Article/detail/463580
[2] Kenett, RS und Kenett, DA (2008), Quality by Design Applications in Biosimilar Technological Products , Akkreditierung und Qualitätssicherung, Springer Verlag, Bd. 13, Nr. 12, S. 681–690.
[3] Romero R., Gasquez, D., Sanshez, M., Rodriguez, L. und Bagur, M. (2002), Ein geometrischer Ansatz zur Robustheitsprüfung in der analytischen HPLC, LCGC North America, 20 , S. 72-80, www.chromatographyonline.com .
Die Entwicklung von Mess- oder Analysemethoden erfolgt parallel zur Entwicklung von Arzneimitteln.
KPA Group hat geschrieben: Danke für deinen Kommentar, Phil!KPA-Gruppe schrieb:
Danke für deinen Kommentar, Phil!
Phil Borman schrieb: Zusätzlich zu den 5 chromatographischen P...Phil Borman schrieb:
Zusätzlich zu den 5 untersuchten chromatographischen Peak-Reaktionen wäre es interessant gewesen, auch die Menge jeder durch die Analysemethode quantifizierten Verunreinigung zu untersuchen. Dies würde Ihnen einen echten Hinweis auf die Robustheit geben, da die Auswirkungen auf das berichtspflichtige Ergebnis direkt bewertet werden. Variationen in der Peakfläche und Peakhöhe können irrelevant sein, wenn beispielsweise Verunreinigungen durch Normalisierung gegenüber dem Hauptpeak (der Arzneimittelsubstanz, in der sie vorhanden sind) quantifiziert werden.
