Dans le développement des procédés biopharmaceutiques, la caractérisation des paramètres critiques et contrôlables est essentielle. Comme dans de nombreux secteurs industriels, les études de développement et de caractérisation des procédés débutent à l'échelle du laboratoire, avant d'être transposées à l'échelle industrielle. JMP joue un rôle central en tant qu'outil d'aide à la décision pour ces études, de la planification d'expériences à la modélisation des procédés.
L'utilisation des données de capteurs en ligne représente une source d'information potentielle, actuellement sous-exploitée dans les études de développement et de caractérisation des procédés. En particulier, la comparaison des profils métaboliques microbiens entre les différentes échelles de production est principalement réalisée de manière exploratoire. L'analyse statistique de ces données permet de mieux comprendre les différences observées et peut contribuer à l'élaboration de stratégies de contrôle des procédés plus efficaces.
Bonjour et merci de vous joindre à moi. Je suis Anne-Catherine Portmann, chef de projet au sein du département de développement des procédés microbiens chez Lonza. Aujourd'hui, je vais vous parler de l'utilisation des profils métaboliques microbiens pour améliorer la qualification des modèles réduits et les études de caractérisation des procédés.
Je tiens à commencer par cette brève mise au point. Je ne lirai pas l'intégralité du texte, mais je tiens à préciser que je crois que toutes les informations que je partage avec vous aujourd'hui sont exactes. Pour des raisons de confidentialité, je tiens à souligner que toutes les données sont normalisées et anonymisées.
Voici le programme de ma présentation d'aujourd'hui. Nous commencerons par une introduction à Lonza, suivie de quelques informations générales sur les études de bioprocédés et de caractérisation des procédés. Cela vous permettra de mieux comprendre les trois exemples suivants d'utilisation de JMP. Dans le premier exemple, je vous montrerai comment j'ai utilisé JMP Functional Data Explorer pour comparer les données de lots à différentes échelles. Dans le deuxième exemple, j'utiliserai JMP de manière classique pour déterminer la plage de valeurs acceptables d'un paramètre. Le troisième exemple portera sur l'utilisation de Functional Data Explorer pour minimiser les impuretés liées au produit. Enfin, je conclurai cette présentation et répondrai à vos questions.
Je voudrais commencer par vous présenter brièvement l'entreprise pour laquelle je travaille. Lonza est une multinationale spécialisée dans la fabrication de produits pharmaceutiques, biotechnologiques et nutritionnels. À droite, vous pouvez voir une photo du site de Viège, en Suisse, où je travaille.
Examinons quelques chiffres concernant Lonza. Vous savez probablement déjà que Lonza est une entreprise internationale d'environ 18 000 employés, forte d'une histoire de plus de 100 ans. Nous disposons de plus de 35 sites à travers le monde, qui accompagnent nos clients dans la fabrication de médicaments innovants. Visp est le plus grand site de Lonza.
À Viège, les capacités de production microbienne varient de 70 à 15 000 litres. Lorsqu'un nouveau procédé arrive chez Lonza, il est d'abord transféré du client au département de développement des procédés. Le bâtiment où je travaille au sein de ce département est idéalement situé au cœur du site, entouré de toute la production. Cela a grandement facilité la collaboration entre le développement des procédés et la production à grande échelle. Au sein du département de développement des procédés, nous testons et adaptons ce nouveau procédé afin de minimiser les risques liés à la transposition à l'échelle de production cible.
Je sais que beaucoup d'entre vous viennent de différents secteurs d'activité et ne sont pas familiers avec les bioprocédés microbiens. C'est pourquoi, dans les prochaines diapositives, je vais vous décrire un bioprocédé microbien typique et les étapes permettant de le caractériser.
Un bioprocédé se compose d'une partie amont et d'une partie aval. Lors de la partie amont, la protéine d'intérêt, ici orange, est produite par fermentation grâce à des micro-organismes. Les cellules sont ensuite lysées et les débris cellulaires éliminés par séparation. Lors de la partie aval, les autres protéines sont éliminées et la protéine d'intérêt est purifiée jusqu'à l'obtention d'un produit final de haute pureté.
La fermentation est une étape cruciale car elle permet la production de la protéine d'intérêt. La quantité et la qualité du produit sont déterminées par cette étape. Toute erreur dans la chaîne protéique est irréversible après le début du processus. Il est donc essentiel de contrôler rigoureusement les paramètres d'entrée, tels que la température, le pH, l'oxygène dissous et autres, et de surveiller attentivement les paramètres de sortie, comme la concentration du produit (en titre), sa pureté ou la biomasse (correspondant à la quantité de cellules présentes dans le bioréacteur pendant la fermentation).
Lors d'une étude de caractérisation de procédé (PC), nous cherchons à comprendre l'impact des paramètres d'entrée sur les attributs de sortie et à définir les plages de paramètres pour lesquelles les attributs sont conformes aux spécifications. La compréhension de la dépendance entre les paramètres d'entrée et les attributs de sortie est essentielle à la compréhension des bioprocédés.
Qu'est-ce qu'une caractérisation de procédé, par exemple, une caractérisation de procédé ? La caractérisation de procédé fait partie de la validation de procédé et comprend quatre étapes. La première étape consiste en une évaluation des risques, au cours de laquelle on sélectionne le paramètre à étudier plus en détail. Ce choix repose sur la connaissance du procédé, les données historiques et l'expérience et l'expertise des personnes impliquées dans ces évaluations des risques.
La deuxième étape consiste à qualifier le modèle réduit. Ce modèle est nécessaire car il est impossible de réaliser toutes les expériences nécessaires à l'étude de ces paramètres à grande échelle. Cela s'avérerait trop coûteux et peu efficace. À l'échelle du laboratoire, la possibilité de faire fonctionner plusieurs réacteurs en parallèle permet d'optimiser les expériences. Cependant, l'instrumentation utilisée à cette échelle doit fonctionner exactement de la même manière et fournir les mêmes résultats qu'à l'échelle industrielle. Dans le cas contraire, il convient d'évaluer les différences entre les deux échelles, d'analyser plus en détail ces variations et de les expliquer.
L'étape suivante de notre étude en composantes principales consiste à élaborer le plan d'expériences à l'aide de JMP afin d'optimiser le nombre d'expériences. Ces expériences sont ensuite réalisées en laboratoire. Nous collecterons toutes les données issues de ces expériences, générerons un tableau de données dans JMP et analyserons ces données pour évaluer les interactions entre les paramètres et les attributs, et définir la plage de valeurs et l'impact des paramètres.
Pourquoi caractériser un procédé ? La caractérisation d'un procédé permet de garantir une qualité de produit constante et un rendement reproductible lors de la fabrication. Lorsqu'on prend un médicament, on souhaite toujours obtenir le même effet. Si l'on prend un analgésique, on souhaite toujours ne plus ressentir de douleur après la prise. On ne souhaite pas qu'immédiatement après la prise, la douleur disparaisse, mais que deux jours plus tard, la même prise n'ait presque plus aucun effet. Le lendemain, l'effet est trop important. C'est précisément ce type d'exemple où il est essentiel que le médicament présente une qualité et une efficacité constantes. Pour ce faire, nous procédons à la caractérisation et à la validation du procédé.
Je vais maintenant vous montrer quelques exemples. Je commencerai par la qualification d'un modèle réduit. Comme je vous l'ai dit, la qualification du modèle réduit est une étape cruciale de l'étude sur ordinateur afin de garantir que les expériences sont réalisées dans un instrument représentatif. Dans le fermenteur ou le réacteur de fermentation, de nombreux capteurs sont connectés et enregistrent en continu une grande quantité de données pendant l'expérience. Il s'agit d'une source d'information précieuse qui sera très utile pour comparer les différences d'échelle. Je vous montrerai comment nous explorons ces différences d'échelle à partir de ces données.
Comme je le dis souvent, utiliser un instrument en laboratoire est bien plus économique. Un appareil à haut débit nous permet de réaliser de nombreuses expériences à moindre coût qu'à l'échelle industrielle. En validant le modèle réduit, nous pouvons également déterminer les différences liées à l'échelle.
Jusqu'à présent, nous utilisons principalement les données hors ligne. Voici comment nous procédons : nous disposons des données à l'échelle du laboratoire et de celles à l'échelle de la production, que nous réalisons par analyse univariée. Nous utilisons une ANOVA ou une comparaison de moyennes pour déterminer si ces deux groupes de lots à l'échelle du laboratoire sont comparables.
Le problème, c'est que lorsqu'on travaille avec des données en ligne, on ne peut pas utiliser ce type de graphique pour faire une comparaison. Les données semblent correspondre à la partie droite du graphique. Certains se contentent d'analyser cette courbe avec un œil expert et de conclure : « D'accord, c'est comparable » ou « Ces données sont complètement différentes ». Le problème de cette approche, c'est que les personnes qui font la comparaison peuvent quitter l'entreprise ou que des collègues, en examinant les données, disent : « Oh non, je ne vois pas de différence », alors que vous, vous en voyez une. Ce n'est pas une méthode statistique fiable pour comparer des données.
Grâce à JMP Functional Data Explorer, nous pouvons comparer statistiquement ces données de manière appropriée et même identifier d'éventuels regroupements. La qualification du modèle réduit est essentielle pour transposer les plages de l'étude PC à la stratégie de contrôle de la production. En cas de différence, nous pouvons l'expliquer. Je vous montrerai rapidement le fonctionnement de JMP Functional Data Explorer et son application à l'exemple qui sera présenté ultérieurement.
L'explorateur de données fonctionnelles est un excellent outil pour analyser les données continues. Je ne détaillerai pas son fonctionnement, car de nombreuses présentations l'expliquent déjà. Je me concentrerai donc sur l'aspect principal utile à mon analyse. La première étape, une fois nos données acquises, consiste à ajuster un modèle. Ce modèle doit être choisi parmi les B-splines, les P-splines, la transformée de Fourier ou les ondelettes. Ensuite, nous vérifions quel modèle correspond le mieux à nos données.
Dans un second temps, nous effectuons une analyse en composantes principales fonctionnelles. Si vous avez déjà utilisé une analyse en composantes principales, l'approche est la même, mais appliquée à des données fonctionnelles au lieu de points de données. L'objectif est de modifier l'espace de représentation afin de décorréler la fonction, d'où les formes de fonction que nous observons ici. Ces formes de fonction expliquent la variabilité entre les lots et la fonction moyenne. Par exemple, ici, la première forme de fonction explique 56 % de la variation de la tendance de l'attribut entre les lots.
Un autre graphique que nous obtenons est le graphique des scores. Sur ce graphique, nous pouvons choisir la composante à comparer. Dans ce cas, nous avons le choix entre les cinq composantes. Les cinq composantes de la fonction de forme peuvent être représentées sur les axes X et Y. Nous pouvons alors, en fonction des données, déterminer si nous les regroupons le long de l'axe X ou de l'axe Y, donc le long de la première ou de la deuxième composante dans ce cas.
Ici, en les observant, on constate déjà que, le long de la composante 1, il existe une forte probabilité de deux groupes, l'un à gauche de l'axe des abscisses et l'autre à droite. Pour le confirmer, on peut utiliser une carte de contrôle. Celle-ci permet de générer une carte de contrôle pour la composante principale fonctionnelle, puis d'y ajouter les différentes échelles. On peut alors comparer les moyennes obtenues entre les échelles et évaluer les différences entre elles, afin de vérifier si elles sont effectivement identiques.
L'explorateur de données fonctionnelles nous permet de regrouper les lots comparables et de comparer les moyennes d'échelle. C'est exactement ce que nous recherchions pour comparer les données de ces attributs.
Prenons un exemple. Ces données sont réelles, mais pour des raisons de confidentialité, nous les avons anonymisées et normalisées. Dans cet exemple, nous comparons les deux échelles de laboratoire (échelles 1 et 2, représentées respectivement en violet et en bleu) à l'échelle de production pour un attribut spécifique : le démarrage dans le temps.
Nous souhaitons déterminer laquelle de ces deux échelles serait la plus adaptée à la réduction d'échelle de cette production. Nous avons exécuté l'outil Functional Data Explorer et obtenu des résultats. L'analyse des valeurs propres de la composante principale fonctionnelle révèle que la première explique déjà plus de 78 % de la variabilité entre les lots. La seconde, quant à elle, explique plus de 9 %. Nous concentrerons donc le reste de l'analyse sur ces deux composantes.
Nous examinons le graphique des scores. Sur ce graphique, nous observons directement, sur l'axe des abscisses, pour la composante fonctionnelle 1, qui explique la plus grande partie de la variabilité entre les lots, deux groupes : l'un à gauche, ne regroupant que les données de l'échelle de laboratoire, et l'autre à droite, incluant les données des échelles de laboratoire 2 et de production (points bleus et verts). Nous observons quelques valeurs aberrantes. Concernant la composante 2, il est difficile de distinguer deux groupes distincts.
Pour confirmer ces groupes, nous examinons la carte de contrôle. On constate que la ligne verte, correspondant aux valeurs moyennes entre les lots, est très similaire entre les points bleus et verts, ce qui indique une bonne concordance entre l'échelle de laboratoire 2 et l'échelle de production. L'échelle de laboratoire 1 présentait une moyenne différente, et n'était donc pas optimale pour notre analyse. L'échelle de laboratoire 2 est identifiée par Functional Data Explorer comme le modèle de réduction d'échelle le plus représentatif pour cet attribut. Il est important de préciser que ce résultat est valable pour cet attribut précis. Pour un autre attribut, un autre modèle de réduction d'échelle pourrait convenir. Nous devons donc vérifier ce point pour tous les attributs que nous avons décidé d'explorer dans notre analyse.
Maintenant que nous avons défini le modèle réduit, nous souhaitons aborder la suite de l'analyse de l'étude PC. Cette étape consiste à concevoir et réaliser les expériences, puis à examiner l'interaction entre les paramètres et les attributs, ainsi qu'à analyser les données relatives à la plage de valeurs des paramètres et à la détermination de leur impact. Pour ces deux étapes, nous n'utiliserons pas Functional Data Explorer, mais JMP avec une approche de plan d'expériences (DoE) standard.
Pourquoi utiliser un plan d'expériences (DOE) ? Le DOE nous permet de comparer les paramètres et les attributs, et d'observer leurs corrélations. En effet, la conception d'expériences permet d'identifier différentes interactions : l'effet principal, l'effet quadratique et l'effet d'interaction. Nous pouvons également optimiser les attributs. Par exemple, maximiser un titre, minimiser certaines impuretés ou maximiser certaines puretés, c'est-à-dire d'autres attributs de qualité. Nous pouvons ainsi atteindre un objectif précis. De nombreuses options s'offrent à nous. Le rapport final présente également l'effet des paramètres sur les attributs. Grâce aux valeurs p, nous pouvons déterminer leur significativité.
Pour concevoir le modèle adéquat, nous pouvons utiliser le menu DoE de JMP et choisir le plan d'expériences souhaité. En cas de doute, l'option DoE simplifiée est toujours disponible : elle est très pratique et nous guide pas à pas dans la conception de notre modèle. Dans notre cas, nous utilisons la surface de réponse classique avec un plan composite centré. Ce point central correspond à notre consigne, par exemple 35 degrés.
Ensuite, nous avons ce que nous appelons la plage de fonctionnement. Cette plage inclut la précision de la sonde ainsi que les légères variations pouvant survenir lors de la fermentation. Par exemple, la valeur de 35 ne sera pas parfaitement linéaire. Il y aura une très légère oscillation due à la précision de la sonde, aux nutriments ajoutés et à la façon dont le fermenteur maintient la température. On sait que dans cette plage de fonctionnement, nous resterons dans les limites des spécifications.
Nous souhaitons savoir si, en élargissant la plage de mesure ou en l'utilisant face à un événement survenant pendant le processus (une légère variation de température, par exemple une température supérieure ou inférieure à la consigne, que ce soit pendant une courte période ou tout au long du processus), nous restons conformes aux spécifications de notre produit et à ses exigences de qualité. JMP DoE nous aide à optimiser le nombre d'expériences réalisées en laboratoire, mais aussi à comprendre l'interaction entre les paramètres et les attributs.
Nous réalisons actuellement l'expérience en laboratoire et collectons toutes les données dans le tableau de données de JMP afin de construire un modèle. Pour ce faire, nous utilisons le principe de données ordonnées : une ligne par expérience et une colonne par paramètre ou attribut. Il s'agit d'une méthode standard d'utilisation de JMP. Nous pouvons ensuite ajuster le modèle avec différentes options. Par exemple, nous pouvons intégrer différents paramètres dans un modèle de surface de réponse. Nous pouvons utiliser la variable Y pour ajouter l'attribut que nous souhaitons explorer. Nous pouvons choisir différentes méthodes, comme l'approche par les moindres carrés ordinaires ou l'approche pas à pas, etc.
Après l'exécution de ce modèle, nous obtiendrons un rapport. Dans ce rapport, nous sommes tentés de faire défiler vers le bas pour consulter les résultats du profileur de prédiction et observer l'interaction entre les paramètres et les attributs. Cependant, pour ce faire et pour nous assurer que nous utilisons le modèle adéquat, il est crucial de nous concentrer sur son évaluation. Il s'agit de la première étape. C'est pourquoi JMP nous fournit de nombreuses données dans ce rapport. Nous devons bien comprendre les résultats de cette évaluation. Nous avons, par exemple, le manque d'ajustement, les résidus studentisés, le résumé de l'ajustement, etc. Je vous recommande vivement d'examiner attentivement ces données et d'en comprendre pleinement la signification afin d'obtenir le meilleur modèle pour vos données. JMP effectue une analyse approfondie et vérifie la qualité de l'ajustement du modèle, garantissant ainsi la fiabilité de l'étude pharmacocinétique et du médicament.
Comme je vous l'ai expliqué précédemment, la relation entre les attributs et les paramètres se trouve dans le profileur de prédiction. Nous avons un point de consigne au milieu. Normalement, il correspond au sommet de cette courbe de prédiction. Nous avons la plage de fonctionnement. C'est là que se situent les données dans la plage de cet attribut. La plage est plus large à la limite de la plage de l'attribut et à l'intersection de la courbe du profileur de prédiction. Cela signifie que ce sont les points extrêmes où nous restons dans les spécifications. C'est la plage acceptable validée que nous cherchons à déterminer grâce à une étude PC. L'étude PC nous indique également l'impact, qui dépend de la forme des courbes du profileur de prédiction. Plus la courbe est large, plus l'impact est faible ; plus la courbe est étroite par rapport au point de consigne, plus l'impact est important. La spécification de l'attribut n'est respectée que dans une plage acceptable validée pour le paramètre. Je vais maintenant vous montrer un exemple d'application.
Dans cet exemple d'analyse en composantes principales (ACP) de données de fermentation, nous avons créé un modèle de surface de réponse par étapes, en explorant toutes les options possibles. Bien que nous ayons satisfait à de nombreux critères lors de l'évaluation de notre modèle, nous constations un manque d'ajustement. Le modèle ne s'ajustait pas correctement aux données. Nous nous sommes interrogés sur les raisons de ce manque d'ajustement. Après discussion interne avec plusieurs experts et analyse approfondie de nos données, nous avons découvert un probable effet de plateau, non détecté par un modèle de surface de réponse du second degré. Il nous a donc fallu ajouter un polynôme du troisième degré aux paramètres et relancer l'analyse.
Là, tous nos critères étaient remplis. Dans ce cas précis, vous avez le premier modèle ici et le second là. Vous constatez qu'à la fin, le paramètre qui a changé était le premier, et la courbe du profileur de prédiction est légèrement différente. En effet, nous avons observé un effet de plateau à la fin.
À ce stade, nous avons trouvé un modèle correct, conforme à toutes nos spécifications. Nous avons pu définir la plage acceptable et son impact. Comme vous pouvez le constater pour les deux premiers paramètres, l'impact était plus important que pour le troisième. Cette approche est désormais appliquée en production, et certains essais sont réalisés en conditions réelles avec ces plages de tolérance.
À la fin de la fermentation, certaines impuretés liées au produit ont pu être détectées sur le chromatogramme, sous forme d'épaulement après le pic. Leur élimination lors des étapes de purification suivantes s'avère complexe. Je vais vous montrer comment, grâce à Functional Data Explorer, nous avons pu minimiser ces impuretés.
Comme vous pouvez le constater, voici le chromatogramme. Nous nous attendions à ce que la courbe ascendante descende de la même manière sur la droite. Or, nous observons une pente irrégulière. Cela indique la présence d'impuretés dans cette partie du produit, des impuretés liées au produit lui-même et difficiles à éliminer lors des étapes de transformation suivantes. Ce problème pourrait s'aggraver si nous ne parvenons pas à les éliminer, ou si nous ne trouvons pas de solution pour y parvenir. Il est possible qu'en fin de processus, le produit final ne soit plus conforme aux spécifications de qualité.
Nous avons maintenant une courbe présentant des irrégularités. Nous savons qu'avec JMP Functional Data Explorer, nous pouvons mieux comprendre sa forme. Nous cherchons à comprendre l'influence de certains paramètres, comme vous l'avez vu précédemment, sur la forme de la courbe. Nous testons donc différents paramètres afin de déterminer comment les informations qu'ils contiennent peuvent expliquer ces irrégularités et, éventuellement, les réduire.
Notre problème était que l'explorateur de données fonctionnelles nous fournissait une analyse en composantes principales qui ne correspondait pas à de véritables paramètres, que nous ne pouvions pas modifier en laboratoire pour obtenir des paramètres concrets et réalistes. Il ne s'agit pas d'une température que l'on peut faire varier de quelques degrés. Heureusement, l'explorateur de données fonctionnelles de JMP propose une option très utile qui convertit les données des composantes principales fonctionnelles en paramètres réels : le plan d'expériences fonctionnel (DoE fonctionnel). En l'intégrant dès la création du modèle dans l'explorateur de données fonctionnelles, on peut ajouter l'analyse DoE réalisée. JMP est alors capable de retraduire les composantes principales fonctionnelles en paramètres réels dans le profileur. Nous avons ensuite pu les reconvertir. Notre objectif était de pouvoir, grâce à cette approche, éliminer ou réduire les impuretés.
Voici un exemple concret de notre démarche. On observe cet épaulement. J'ai zoomé sur une partie du pic pour mieux le visualiser. On constate cet épaulement post-pic à 0,11, une valeur élevée. Il s'agit de la valeur obtenue lorsque tous les paramètres sont fixés. Nous avons ensuite optimisé le système en ajustant chaque paramètre dans le profileur fonctionnel DoE. Nous avons constaté qu'en diminuant le premier paramètre et en augmentant les deux suivants, nous réduisions de moitié la quantité de ces impuretés.
C'est un excellent résultat pour nous, car il est très difficile d'éliminer ces impuretés dans la partie DSP. Si nous pouvons le faire très tôt dans le processus en optimisant certains paramètres, cela nous permet d'économiser beaucoup de temps et d'argent. C'est une solution vraiment avantageuse pour nous et pour nos clients. Ce résultat prometteur reste à confirmer par des tests en laboratoire. Les tests ne sont pas encore terminés. Nous devons également vérifier si cela ne risque pas d'entraîner d'autres problèmes, comme la réduction excessive d'autres paramètres ou attributs que nous souhaitons conserver, ou l'augmentation d'autres aspects.
Au cours de cette présentation, vous avez probablement constaté l'importance des statistiques pour la caractérisation des procédés. Aujourd'hui, je vous explique comment JMP permet d'améliorer la caractérisation et le transfert des procédés, de l'échelle pilote à l'échelle industrielle.
En résumé, retenez ces quatre points clés de ma présentation. Premièrement, la caractérisation du procédé garantit une qualité de produit constante et un rendement reproductible lors de la production à grande échelle. Deuxièmement, grâce à l'analyse fonctionnelle des données (DE) de JMP, nous pouvons regrouper les données continues afin de détecter les différences d'échelle. Troisièmement, JMP offre la possibilité d'identifier le modèle le plus adapté, même pour des données complexes telles que celles issues d'une étude de processus. Enfin, la planification d'expériences fonctionnelle (DoE) de JMP traduit les paramètres fonctionnels en paramètres opérationnels, facilitant ainsi la compréhension et l'optimisation du procédé.
Sur ce, je tiens à remercier chaleureusement tous mes collègues qui m'ont aidé à préparer cette présentation. Un merci tout particulier à Sven, qui a eu l'idée de ce sujet, ainsi qu'à Claire et Ludovic, qui ont partagé leurs connaissances en statistiques. Merci également à Jonas pour son soutien lors de la préparation de cette présentation, à Romain pour le partage de données, et à tous les collègues pour leurs contributions et leurs réflexions. Enfin, un immense merci à Florian, qui a soutenu notre département sur toutes les questions relatives à JMP, des plus complexes aux plus anodines, au cours des dernières années.
Merci également pour votre attention. J'espère que ces informations vous ont été utiles et je reste à votre disposition pour toute question. Si vous avez d'autres questions, n'hésitez pas à me contacter, même à Manchester. Merci.
