バイオ医薬品のプロセス開発においては、重要プロセスパラメータ（CPP）と制御可能なプロセスパラメータの特性評価が極めて重要です。多くの業界と同様に、プロセス開発と特性評価の研究は実験室規模で開始され、その後、製造プロセスは最終的な製造施設へとスケールアップされます。JMPは、DOE（実験計画法）からプロセスモデリングまで、これらの研究を支援するツールとして中心的な役割を果たします。
オンラインセンサーデータの活用は潜在的な情報源となりますが、プロセス開発および特性評価研究においては現在十分に活用されていません。特に、生産スケール間の微生物代謝プロファイルの比較は、主に探索的に行われています。このデータの統計分析は、差異を理解するための選択肢となり、より優れたプロセス制御戦略の策定に役立ちます。
こんにちは。講演にご参加いただきありがとうございます。アン・キャサリン・ポートマンです。ロンザ社の微生物プロセス開発部門のプロジェクトリーダーを務めています。本日は、スケールダウンモデルの適格性評価とプロセス特性評価研究の改善に微生物代謝プロファイルを活用する方法についてお話させていただきます。
まず、この免責事項について簡単にご説明いたします。全文を読み上げることはいたしませんが、本日皆様にお伝えする情報はすべて正確であると確信していることをお伝えしたいと思います。なお、機密保持のため、すべてのデータは正規化および匿名化されていることにご留意ください。
本日の講演のアジェンダは次のとおりです。まずLonza社についてご紹介し、バイオプロセスとプロセス特性評価研究の背景情報をお伝えします。これは、JMPを使用した以下の3つの事例を理解する上で役立つでしょう。最初の事例では、JMPのFunctional Data Explorerを用いて、異なるスケールのバッチデータを比較する方法をご紹介します。2つ目の事例では、JMPを標準的な方法で使用し、実証済みのパラメータ許容範囲を決定する方法をご紹介します。3つ目の事例では、Functional Data Explorerを用いて製品関連不純物を最小限に抑える方法についてご紹介します。最後に、この講演を締めくくり、皆様からのご質問にお答えします。
まず、私が勤めている会社について簡単にご紹介したいと思います。ロンザは、医薬品、バイオテクノロジー、栄養分野を専門とする多国籍製造企業です。右側の写真は、私が勤務しているスイスのフィスプの事業所です。
ロンザの数字を見てみましょう。ロンザは約18,000人の従業員を擁し、100年以上の歴史を持つグローバル企業であることは、おそらく既にご存知でしょう。世界中に35以上の拠点を持ち、革新的な医薬品の製造においてお客様をサポートしています。フィスプはロンザ最大の拠点です。
フィスプ工場では、微生物生産能力は70リットルから15,000リットルまであります。ロンザ社に新しいプロセスが持ち込まれると、まず顧客からプロセス開発部門に引き継がれます。私がプロセス開発部門で働いている建物は拠点の中心に位置しており、周囲にはあらゆる製造工程が集中しています。そのため、プロセス開発部門と製造スケールの良好な連携が実現しました。プロセス開発部門では、この新しいプロセスを試験・適応させ、目標とする製造スケールへのスケールアップのリスクを軽減しています。
皆さんの中には様々な業界から来ていただいており、微生物バイオプロセスに馴染みのない方もいらっしゃるかと思います。そこで、次の数枚のスライドで、典型的な微生物バイオプロセスと、それを特徴づける典型的な手順についてご説明いたします。
バイオプロセスは上流工程と下流工程から構成されます。上流工程では、オレンジ色の目的タンパク質が微生物の発酵によって生成されます。その後、細胞は分解され、分離工程で細胞残渣が除去されます。下流工程では、他のタンパク質を除去し、目的タンパク質を最終製品まで精製します。最終製品は非常に純度の高いものとなります。
発酵は、目的のタンパク質を生成する重要なステップです。生産量と品質はこのステップによって決まります。タンパク質連鎖におけるいかなるミスも、プロセス中に修正することはできません。そのため、温度、pH、溶存酸素などの入力パラメータを適切に制御し、出力特性（例えば、生産物の力価、生産物の純度、発酵中のバイオリアクター内の細胞量に相当するバイオマスなど）を的確に監視することが非常に重要です。
PC研究（プロセス特性評価研究）では、入力パラメータが出力特性に与える影響を理解し、特性が仕様範囲内となるパラメータ範囲を定義する必要があります。入力パラメータと出力特性の依存関係を理解することは、バイオプロセスを理解する鍵となります。
プロセス特性評価、例えばPCとは何でしょうか？プロセス特性評価はプロセスバリデーションの一部であり、4つの部分から構成されています。最初の部分はリスク評価で、ここではさらに調査するパラメータを選択します。このパラメータは、プロセスに関する知識、過去のデータ、そしてリスク評価に携わる人々の経験と専門知識に基づいて選択します。
2つ目の部分は、スケールダウンモデルの適格性評価です。これらのパラメータを調査するための全ての実験をスケールで実行することはできないため、スケールダウンモデルが必要となります。スケールダウンモデルは費用がかかりすぎる上に、実験効率もそれほど高くありません。実験室規模では、複数の反応器を並行して稼働させることが可能であり、実験室での効率的な実験に役立ちます。しかし、実験室規模の装置は、製造規模で得られるものと全く同じ性能を発揮し、同じ結果を出す必要があります。もしそうでない場合は、これら2つのスケール間の違いを評価し、スケールに依存する違いをより詳細に把握し、それを説明できるようにする必要があります。
PC研究における次のステップは、JMPを用いて実験計画を作成し、研究回数を最適化することです。その後、実験室で実験を実施します。この実験から得られたすべてのデータを収集し、JMPでデータテーブルを生成して分析を行い、パラメータと属性間の相互作用を評価し、パラメータの範囲と影響を定義します。
なぜプロセスの特性評価が必要なのでしょうか？それは、製造工程において一定の製品品質と再現性のある歩留まりを保証するために、プロセスの特性評価が必要なからです。薬を服用する場合、常に同じ効果が得られることが求められます。鎮痛剤を服用する場合、服用後に痛みがなくなることを常に望んでいます。一度服用すれば痛みがなくなるのに、2日後に同じ薬を再び服用すると、ほとんど効果がなくなる、といった状況は避けたいものです。さらにその翌日に服用すると、効果が強すぎる、といった状況です。これはまさに、薬が常に同じ品質と効果を持つことが本当に望ましい例です。そのために、私たちはプロセスの特性評価とプロセス検証を行っています。
それでは、いくつか例を挙げてみます。まずはスケールダウンモデルの適格性確認から始めます。先ほども申し上げたように、スケールダウンモデルの適格性確認は、PC研究において、実験が代表的な機器で実施されていることを確認するための非常に重要なステップです。発酵槽、つまり発酵リアクターには多くのセンサーが接続されており、実験中は大量のデータが継続的に記録されます。これは、スケール間の差異を比較するのに非常に役立つ、膨大な情報源となります。このようなデータを用いて、スケールの違いをどのように探究するかをお見せします。
何度も申し上げているように、実験室で機器を使う方が本当に安価です。実験室規模で高スループットの装置を使用すれば、製造規模で全ての実験を行うよりも安価に、多くの実験を行うことができます。スケールダウンモデルを検証することで、スケール依存の違いも明らかにすることができます。
これまでは、オフラインデータを使用していました。具体的には、ラボスケールのデータと製造スケールのデータを一元配置分散分析で分析しています。分散分析または平均値比較を用いて、ラボスケールの2つのバッチグループが比較可能かどうかを判断します。
問題は、オンラインデータの場合、このようなグラフを使って比較することができないということです。データはグラフの右側の部分のように見えます。専門家の目でこの曲線を比較し、「これは比較できる」とか「このデータは全く違う」などと言う人もいます。このようなアプローチの問題は、比較する人が会社を辞めてしまったり、同僚がデータを見て「いや、違いは分からない」と言っても、実際には違いが分かるということです。これは、データを比較する統計的な方法としては、あまり適切とは言えません。
JMPの機能データエクスプローラのおかげで、このデータを適切に統計的に比較し、クラスターが形成されているかどうかを判断することができます。スケールダウンモデルの適格性評価は、PCスタディの範囲を製造管理戦略に反映させる鍵となります。差異が生じた場合は、その差異を逆算して反映させることができます。JMPの機能データエクスプローラがどのように機能するか、そして後ほど紹介する例でどのように使用するかについて、簡単に説明します。
関数データエクスプローラーは、連続データを分析するのに非常に優れたツールです。その仕組みを詳しく説明することはしません。その仕組みについては既に多くの議論がなされており、現在も議論が続いていると思います。ここでは、私の分析に役立つ主要な部分に焦点を当てます。まず、データを取得したら、モデルを適合させます。このモデルは、Bスプライン、Pスプライン、フーリエ、ウェーブレットのいずれかを選択する必要があります。そして、どのモデルがデータに適合しているかを確認します。
次のステップとして、機能的主成分分析を行います。主成分分析を既に行ったことがある方であれば、データポイントではなく機能的データを用いた同じアプローチです。考え方としては、空間設計を変更して関数を無相関化することです。つまり、ここにある関数の形状です。これらの関数の形状は、平均関数に従って、バッチ間および関数間の変動を説明します。例えば、ここでは最初の形状の関数は、バッチ間の属性傾向の変動の56%を説明します。
もう一つのグラフはスコアプロットです。スコアプロットでは、比較する要素を選択できます。今回の場合は、5つの要素を選択できます。X軸とY軸にプロットできる5つの形状関数要素です。ここでは、データに応じて、X軸とY軸に沿ってグループ化するかどうかを確認できます。つまり、今回の場合は最初の要素か2番目の要素に沿ってグループ化できます。
これらを見ると、成分1に沿って、X軸の左側と右側にそれぞれ1つずつ、2つのグループが存在する可能性が高いことがわかります。これを確実にしたい場合は、管理図を使用することもできます。管理図では、機能主成分ごとに1つの管理図を作成します。そして、上部に異なるスケールを追加します。スケール間で生成された平均値を確認し、スケールの違いと平均値が実際に同じかどうかを評価できます。
機能データエクスプローラーを使用すると、比較可能なバッチをクラスタリングし、尺度平均を比較できます。まさにこれらの属性データを比較するために探していたものです。
例を見てみましょう。このデータは実際のものですが、機密保持のため、このプレゼンテーションのデータは匿名化および正規化されています。この例では、紫と青で示されている2つのラボスケール、つまりラボスケール1と2を、製造スケールと比較します。特定の属性は、スタートアップのタイムコースです。
この製造スケールのスケールダウンモデルとして、この2つのスケールのどちらがより適しているかを知りたいと考えています。Functional Data Explorerを実行すると、いくつかの結果が得られます。この機能主成分の固有値を見ると、最初の成分が既にバッチ間の変動の78%以上を説明していることがわかります。2番目の成分は9%以上なので、残りの分析はこの2つの成分に集中します。
スコアプロットを見てみましょう。スコアプロットでは、バッチ間の変動の大部分を説明する機能成分1のX軸に沿って、2つのクラスターが直接確認できます。左側のクラスターはラボスケールのデータのみ、右側のクラスターはラボスケール2のデータと製造スケールのデータ（青と緑の点）を含んでいます。外れ値がいくつかあります。機能成分2については、2つのグループを明確に定義することはできません。
これらのグループを確認するために、管理図を見てみましょう。ここでは、バッチ間の平均値に対応する緑の線が、青と緑の点、つまりラボスケール2と製造スケール間で非常によく似ていることがわかります。ラボスケール1の平均値は全く異なっており、このラボスケールは私たちにとって最適なものではありませんでした。ラボスケール2は、Functional Data Explorerによって、この属性に対するより代表的なスケールダウンモデルとして識別されています。重要なのは、これがこの属性に対するものであるということです。他の属性の場合は、別のスケールダウンモデルである可能性があります。分析で調査することにしたすべての属性について、これを確認する必要があります。
スケールダウンモデルを定義したので、PC研究の分析の次の段階を見ていきましょう。このステップでは、実験を計画し、実行し、パラメータと属性の相互作用、そしてパラメータ範囲と影響度評価に関するデータ分析を行います。この2つのステップでは、Functional Data Explorerではなく、JMPと非常に標準的なDoEアプローチを使用します。
なぜDOEを使用するのでしょうか？DOEを用いることで、パラメータと属性を比較し、それらの相関関係を確認することができます。実際、実験計画法（DOE）では、主効果、二次効果、そして交互作用効果といった、非常に多様な相互作用を特定できます。また、属性を最適化することも可能になります。例えば、力価を最大化したり、不純物を最小化したり、純度や品質特性を最大化したりといったことが可能です。これにより、特定の目標を達成することが可能になります。DOEには、研究に役立つ多くのオプションが用意されています。最終的なレポートには、パラメータが属性に与える影響も記載されています。P値を用いることで、それらの影響が有意かどうかを判断できます。
適切なモデルを設計するには、JMPの「DoE」メニューを使って、必要な計画を選択します。やり方がわからない場合は、非常に便利な「DoE」オプションを利用できます。このオプションを使えば、モデルを段階的に設計できます。今回は、中心複合計画を用いた古典的な応答曲面を使用します。この場合、設定点に対応する中心点があります。例えば、設定点を35度とします。
次に、いわゆる「動作範囲」があります。これは、プローブの精度だけでなく、発酵中に起こり得る小さな変動も考慮した範囲です。例えば、35℃は直線ではありません。プローブの精度、添加する栄養素、そして発酵槽の温度維持方法によって、非常に小さな変動が生じます。この動作範囲内であれば、仕様範囲内に収まることが分かっています。
ここで、プロセス中に何かが起こり、短時間で設定温度と比較してわずかな差（高温または低温）が生じる場合、あるいはプロセス全体を通して温度が設定温度からわずかに上昇または低下する場合、温度範囲を拡大するか、それともより広い範囲を設定するかを判断したいと考えています。この温度変化の間も、製品または品質は仕様範囲内に収まっているのでしょうか？JMP DoEは、ラボで実施する実験の数を最適化するだけでなく、パラメータと属性の相互作用を理解するのにも役立ちます。
今、私たちは研究室で実験を行っており、JMPのデータテーブルにすべてのデータを収集しています。そして、モデルを構築したいと考えています。テーブルにすべてのデータが揃ったら、整頓されたデータの原則に従って作業を進めます。つまり、実験ごとに1行、パラメータまたは属性ごとに1列を割り当てます。これはJMPの非常に標準的な使用方法です。その後、様々なオプションを用いてモデルを当てはめることができます。例えば、応答曲面モデルに異なるパラメータを設定できます。ここでYを使用して、探索したい属性を追加できます。標準最小二乗法やステップワイズ法など、様々な手法を選択できます。
このモデルを実行すると、レポートが生成されます。レポートでは、スクロールダウンして予測プロファイラーの結果を確認し、パラメータと属性の相互作用を確認することがよくあります。しかし、そのためには、そして適切なモデルを使用していることを確認するためには、モデルの評価に集中することが非常に重要です。これが最初のステップです。JMPがこのレポートで多くの出力を提供するのはそのためです。この評価結果をしっかりと理解する必要があります。例えば、適合度の低さ、スチューデント化残差、適合度の要約などが表示されます。このデータをより深く調べ、その意味を深く理解し、データに最適なモデルを見つけることを強くお勧めします。JMPは適切な分析を行い、適合モデルの品質を検証することで、PC研究と医薬品の信頼性を確保します。
先ほどお話ししたように、属性とパラメータの関係は予測プロファイラに含まれています。中間にセットポイントがあり、通常は予測曲線の頂点まで伸びます。これが動作範囲です。データがこの属性範囲内にある範囲です。属性範囲の端、つまり予測プロファイラの曲線の交点には、より広い範囲があります。これは、仕様範囲内にある極端な点を意味します。これが、PCスタディで見つけたい実証済みの許容範囲です。PCスタディでは影響度も示されますが、これは予測プロファイラの曲線の形状によって異なります。曲線が拡大するほど影響度は低くなり、セットポイントまでの曲線が狭くなるほど影響度は高くなります。属性仕様は、パラメータが実証済みの許容範囲内でのみ満たされます。それでは、これを使用した例を示します。
この発酵PC研究データの例では、ステップワイズアプローチとあらゆるモデルオプションを用いてレスポンス曲面モデルを作成しました。モデル評価において、多くの基準を満たしていました。適合度の不足は確認できませんでした。適合度の不足があり、モデルはそれに対してうまく適合していません。その理由を疑問に思いました。社内で多くの専門家と議論し、データを徹底的に調査しました。その結果、レスポンス曲面モデルは2次モデルであるため、プラトー効果が現れる可能性が高いことがわかりました。パラメータに3次多項式を追加する必要がありました。これを実行し、解析を再実行しました。
全ての基準を満たしていました。この場合、ここに最初のモデル、そしてあそこに2番目のモデルがあります。最後に、変化したパラメータ、つまり最初のパラメータが示されています。予測プロファイラーでは少し異なる曲線が表示されています。実際、最後にはプラトー効果が見られました。
この時点で、正しいモデルが見つかり、仕様をすべて満たしていました。実証済みの許容範囲と影響度を定義することができました。最初の2つのパラメータに見られるように、影響度は3番目のパラメータよりも高くなっています。これは現在、生産ラインに適用されており、これらの範囲で生産レベルでいくつかの実行が行われています。
発酵終了時に、分析法クロマトグラムにおいて、ポストピークショルダーとして製品由来の不純物が検出されました。これは下流工程で除去するのが非常に困難な問題です。Functional Data Explorerを用いることで、これらの製品由来の不純物を最小限に抑えることができた方法をご紹介します。
ご覧の通り、クロマトグラムがあります。予想通り、ここで上昇する曲線は右側でも同じ形で下降するはずでした。ところが、この下向きの凸凹があります。これは、製品のこの部分に不純物、つまり製品由来の不純物が含まれていることを意味します。これは下流工程で除去するのが困難です。これらの不純物を除去しない場合、あるいは除去する方法が見つからない場合、この問題はさらに深刻化する可能性があります。工程の最終段階で、製品の品質仕様を満たしていない可能性があります。
不純物が混入した曲線が得られました。JMPの機能データエクスプローラを使えば、曲線の形状をよりよく理解できます。先ほどご覧いただいたように、いくつかのパラメータがどのように実験計画（DoE）を導き出すかを理解したいので、様々なパラメータをテストし、このパラメータの情報をどのように活用して不純物を説明できるか、そして不純物を減らすことができるかを検討します。
私たちにとって問題だったのは、Functional Data Explorer が示す主成分分析が、実パラメータではなく、実験室で具体的なパラメータ、つまり実パラメータに変換できないことでした。これは、数度単位で変更できる温度ではありません。しかし、JMP の機能データエクスプローラーには、非常に便利なオプションがあり、機能主成分のデータを実パラメータに変換します。これが機能DoEです。Functional Data Explorer でモデルを構築する際、最初に DoE 分析を追加することで、JMP は FPC をプロファイラーで実パラメータに変換し直すことができます。そして、それらを元のパラメータに変換することができました。このアプローチによって、不純物を除去または低減できると期待していました。
具体的な方法の例を以下に示します。このショルダーがあります。ここでは、ピークの一部を拡大して、よりよく見えるようにしています。ピーク後のショルダーは0.11です。これはやや高い値です。これは、すべてのパラメータで設定値を満たした場合の値です。次に、機能的DoEプロファイラーで各パラメータを調整して最適化します。最初のパラメータを減らし、次の2つのパラメータを増やすことで、これらの不純物の量が半分に減少することがわかりました。
これは私たちにとって本当に素晴らしい結果です。DSP部分からこれらの不純物を取り除くのは非常に困難であるため、プロセスの非常に早い段階でパラメータを最適化することで除去できれば、時間とコストを大幅に節約できます。これは私たちにとってもお客様にとっても非常に有益なソリューションです。これは素晴らしい結果ですが、まだラボでテストする必要があります。まだ完了していません。また、他のパラメータ、つまり他の側面を減らしたり増やしたりしたくない属性を減らしすぎることで、他の問題が発生しないかどうかも評価する必要があります。
このプレゼンテーションでは、プロセス特性評価をサポートする統計の重要性をご理解いただけたかと思います。本日は、JMPを活用してプロセス特性評価を改善し、小規模から製造規模へのプロセス移行をどのように実現できるかをご紹介します。
私のプレゼンテーションの4つのポイントを覚えておいていただければ幸いです。まず、プロセス特性評価は、大規模生産において製品品質の安定化と再現性の高い歩留まり確保につながります。次に、JMPの機能的DE（Deep Learning：環境影響評価）を用いることで、連続データをクラスタリングし、スケールの違いを検出できます。さらに、JMPは、PCスタディデータのような複雑なデータであっても、最適なモデルを特定するオプションを提供します。最後に、JMPの機能的DoE（DoE：DoEの予測モデル）は、FPCをプロセスの理解と最適化をサポートする運用パラメータに変換します。
最後に、このプレゼンテーションの準備を手伝ってくれた同僚の皆様に心より感謝申し上げます。特に、このプレゼンテーションのテーマを思いついたSven、そして統計に関する知識を共有してくれたClaireとLudovicには深く感謝いたします。プレゼンテーションの準備をサポートしてくれたJonas、データを共有してくれたRomain、そして貴重な意見やアドバイスをくれた同僚の皆様にも感謝いたします。最後に、ここ数年、JMPに関するあらゆる質問、複雑なものから些細なものまで、私たちの部門をサポートしてくれたFlorianに心から感謝いたします。
ご清聴ありがとうございました。このお話が皆様にとって有益なものであったことを願っています。ご質問があればいつでもお答えいたします。また、マンチェスターでも何かご質問があれば、ぜひお話ししましょう。ありがとうございます。
