En el desarrollo de procesos biofarmacéuticos, la caracterización de los parámetros críticos de proceso (PCP) y los parámetros controlables de proceso es crucial. Como en muchas industrias, los estudios de desarrollo y caracterización de procesos comienzan a escala de laboratorio y, posteriormente, el proceso de producción se amplía a la planta de producción final. JMP desempeña un papel fundamental como herramienta de apoyo a estos estudios, desde el DOE hasta el modelado de procesos.
El uso de datos de sensores en línea es una fuente potencial de información, actualmente infrautilizada en el desarrollo de procesos y estudios de caracterización. En particular, la comparación de perfiles metabólicos microbianos entre escalas de producción se realiza principalmente de forma exploratoria. El análisis estadístico de estos datos permite comprender las diferencias y puede contribuir a mejores estrategias de control de procesos.
Hola y gracias por participar en mi charla. Soy Anne-Catherine Portmann. Soy líder de proyecto en el Departamento de Desarrollo de Procesos Microbianos de Lonza. Hoy les hablaré sobre el uso de perfiles metabólicos microbianos para mejorar la calificación de modelos a escala reducida y los estudios de caracterización de procesos.
Quiero comenzar brevemente con esta exención de responsabilidad. No leeré el texto completo, pero quiero mencionar que creo que toda la información que comparto con ustedes hoy es correcta. Por razones de confidencialidad, quiero mencionar específicamente que todos los datos están normalizados y anonimizados.
Aquí está el programa de mi charla de hoy. Comenzaremos con una introducción a Lonza y les brindaré información general sobre estudios de caracterización de bioprocesos y procesos. Esto les ayudará a comprender los tres ejemplos siguientes en los que utilizo JMP. En el primer ejemplo, les mostraré cómo apliqué JMP Functional Data Explorer para comparar datos de lotes a diferentes escalas. En el segundo, utilizaré JMP de forma estándar para determinar el rango aceptable de un parámetro. El tercer ejemplo tratará sobre el uso de Functional Data Explorer para minimizar las impurezas del producto. Finalmente, concluiré esta charla y responderé a sus preguntas.
Me gustaría comenzar presentándoles brevemente la empresa para la que trabajo. Lonza es una empresa multinacional de fabricación de productos para los sectores de la biotecnología farmacéutica y la nutrición. A la derecha, tienen una imagen de la planta de Visp en Suiza, donde trabajo.
Analicemos algunas cifras de Lonza. Probablemente ya sepa que Lonza es una empresa global con aproximadamente 18.000 empleados y una trayectoria de más de 100 años. Contamos con más de 35 plantas en todo el mundo, que apoyan a nuestros clientes en la fabricación de medicamentos innovadores. Visp es la planta más grande de Lonza.
En Visp, la capacidad de producción microbiana oscila entre 70 y 15.000 litros. Cuando un nuevo proceso llega a Lonza, primero se transfiere del cliente al departamento de desarrollo de procesos. El edificio donde trabajo en el departamento de desarrollo de procesos es fundamental para la planta, y nos rodea toda la producción de fabricación. Esto contribuyó enormemente a una buena colaboración entre el departamento de desarrollo de procesos y la escala de fabricación. En el departamento de desarrollo de procesos, estamos probando y adaptando este nuevo proceso para minimizar el riesgo de escalado a la escala de fabricación objetivo.
Sé que muchos de ustedes provienen de diferentes industrias y no están familiarizados con los bioprocesos microbianos. Por lo tanto, en las siguientes diapositivas les describiré un bioproceso microbiano típico y los pasos típicos para caracterizarlo.
Un bioproceso se compone de una fase previa y una fase posterior. Durante la fase previa, la proteína de interés, aquí en naranja, se produce en microorganismos durante la fermentación. Posteriormente, las células se descomponen y los restos celulares se eliminan durante la separación. Durante la fase posterior del proceso, se eliminan otras proteínas y se purifica la proteína de interés hasta obtener el producto final, que es muy puro.
La fermentación es un paso importante, ya que produce la proteína de interés. La cantidad de producto se define en este paso, así como su calidad. Cualquier error en la cadena proteica no podrá corregirse después del proceso. Por lo tanto, es fundamental regular correctamente los parámetros de entrada, como la temperatura, el pH, el oxígeno disuelto u otros, y monitorear minuciosamente los atributos de salida, como, por ejemplo, la concentración del producto en el título, la pureza del producto o la biomasa, que corresponde a la cantidad de células en el biorreactor durante la fermentación.
Durante un estudio de PC, un estudio de caracterización de procesos, buscamos comprender el impacto de los parámetros de entrada en los atributos de salida y definir los rangos de parámetros donde estos se encuentran dentro de las especificaciones. Comprender la dependencia entre los parámetros de entrada y los atributos de salida es clave para comprender los bioprocesos.
¿Qué es una caracterización de proceso, por ejemplo, la PC? La caracterización de proceso forma parte de la validación de proceso y consta de cuatro partes. En la primera, se realiza la evaluación de riesgos, donde se selecciona el parámetro que se investigará más a fondo. La selección de este parámetro se basa en el conocimiento del proceso, los datos históricos y la experiencia y los conocimientos del personal involucrado en estas evaluaciones de riesgos.
La segunda parte es la cualificación del modelo de reducción de escala. Necesitamos un modelo de reducción de escala porque no podemos realizar todos los experimentos para investigar estos parámetros a escala. Sería demasiado costoso y la eficiencia de este experimento no sería muy alta. A escala de laboratorio, podemos operar múltiples reactores en paralelo, lo que facilita un experimento eficiente. Sin embargo, el instrumento a escala de laboratorio debe tener el mismo rendimiento y resultados que el obtenido a escala de fabricación. De no ser así, debemos evaluar la diferencia entre estas dos escalas y analizar estas diferencias dependientes de la escala con más detalle para poder explicarlas.
El siguiente paso durante el estudio de PC es preparar el diseño del experimento con JMP para optimizar el número de estudios. Los experimentos se realizan en el laboratorio. A partir de este experimento, recopilamos todos los datos de este resultado, generamos una tabla de datos en JMP y los analizamos para evaluar las interacciones entre los parámetros y los atributos, y definir el rango e impacto de los parámetros.
¿Por qué se debe caracterizar un proceso? Un proceso debe caracterizarse para garantizar una calidad constante del producto y un rendimiento reproducible durante la fabricación. Al tomar un medicamento, siempre se busca el mismo efecto. Si se toma un analgésico, siempre se busca que no sienta más dolor después de tomarlo. No se desea que, una vez tomado, desaparezca el dolor, pero dos días después, al volver a tomar el mismo medicamento, prácticamente no surta efecto. Al día siguiente, al tomarlo, el efecto sea demasiado fuerte. Este es el tipo de ejemplo en el que se busca que el medicamento mantenga siempre la misma calidad y eficacia. Para ello, estamos realizando una caracterización y validación del proceso.
Ahora, les mostraré algunos ejemplos. Comenzaré con la calificación de un modelo de escala reducida. Como les mencioné, la calificación del modelo de escala reducida es un paso clave durante el estudio de PC para garantizar que los experimentos se realicen en un instrumento representativo. En el fermentador o reactor de fermentación, tenemos muchos sensores conectados que registran una gran cantidad de datos continuamente durante el experimento. Esta es una gran fuente de información que será muy útil para comparar las diferencias entre escalas. Les mostraré cómo exploramos estas diferencias de escala utilizando este tipo de datos.
Como ya he dicho muchas veces, es mucho más económico usar un instrumento en el laboratorio. Podemos usar un dispositivo de alto rendimiento a escala de laboratorio, lo que nos permitirá realizar muchos experimentos de forma más económica que si los hiciéramos a escala de fabricación. Al calificar el modelo de reducción de escala, también podemos determinar las diferencias dependientes de la escala.
Hasta ahora, utilizamos datos fuera de línea. Así es como lo hacemos: tenemos los datos a escala de laboratorio y a escala de fabricación en un análisis unidireccional. Utilizamos un ANOVA o una comparación de medias para determinar si estos dos grupos de lotes a escala de laboratorio son comparables.
El problema es que, cuando tenemos datos en línea, no podemos usar este tipo de gráfico para hacer comparaciones. Los datos se ven como la parte derecha del gráfico. Algunas personas simplemente comparan esta curva con la mirada de un experto y dicen: "Bueno, esto es comparable", o bien, estos datos son completamente diferentes. El problema de este tipo de enfoque es que quienes los comparan podrían dejar la empresa o algunos colegas que miran los datos y dicen: "Oh, no, no veo ninguna diferencia", y tú sí la ves. Realmente no es una buena forma estadística de comparar datos.
Gracias al Explorador de Datos Funcionales de JMP, podemos comparar estadísticamente estos datos de forma adecuada e incluso determinar si se están obteniendo algunos clústeres. Calificar el modelo de escala reducida es clave para traducir los rangos del estudio de PC a la estrategia de control de fabricación. En caso de que exista una diferencia, podemos traducirla. Les mostraré rápidamente cómo funciona el Explorador de Datos Funcionales de JMP y cómo lo usamos para nuestro ejemplo que se presentará más adelante.
El Explorador de Datos Funcionales es una herramienta muy útil para analizar datos continuos. No explicaré con mucho detalle su funcionamiento. Creo que ya se ha hablado mucho sobre su funcionamiento, y se sigue hablando de él. Me centraré en la parte principal, que resulta útil para mi análisis. La primera parte consiste en ajustar un modelo, una vez que tengamos los datos. Este modelo debe elegirse entre el B-spline, el P-spline, el de Fourier o el wavelet. Después, comprobamos cuál de los modelos se ajusta mejor a nuestros datos.
Como segundo paso, tenemos un análisis de componentes principales funcional. Si ya trabajó con el análisis de componentes principales, se trata del mismo enfoque, pero con datos funcionales en lugar de puntos de datos. La idea es modificar el diseño del espacio para descorrelacionar la función, de modo que las formas de función que tenemos aquí expliquen la variabilidad entre los lotes y la función según la función media. Por ejemplo, aquí, la primera función de forma explicará el 56 % de la variación en la tendencia de los atributos entre los lotes.
Otro gráfico que obtenemos es el gráfico de puntuación. En él, podemos elegir qué componente queremos comparar. En este caso, podemos elegir entre cinco componentes. Los cinco componentes de la función de forma se pueden representar en los ejes X e Y. Aquí, según los datos, podemos determinar si los agrupamos en los ejes X e Y, es decir, en este caso, en el primer o segundo componente.
Aquí, al observarlos, podemos ver que, a lo largo del componente 1, tenemos con alta probabilidad dos grupos: uno en el extremo izquierdo del eje X y otro en el derecho. Para asegurar esto, también podemos usar el gráfico de control. Con este gráfico, generamos un gráfico de control para el componente principal funcional. Luego, añadimos en la parte superior las diferentes escalas. Podemos observar las medias generadas entre las escalas y evaluar las diferencias de escala, para determinar si las medias son realmente iguales.
El Explorador de Datos Funcionales nos permite agrupar lotes comparables y comparar las medias de escala. Es justo lo que buscábamos para comparar los datos de estos atributos.
Veamos un ejemplo. Estos datos son reales, pero por motivos de confidencialidad, los anonimizamos y normalizamos en esta presentación. En este ejemplo, queremos comparar las dos escalas de laboratorio (las escalas 1 y 2, en morado y azul) con la escala de fabricación para un atributo específico: una startup con un historial de crecimiento.
Nos gustaría saber cuál de estas dos escalas sería el mejor modelo de reducción de escala para esta escala de fabricación. Ejecutamos el Explorador de Datos Funcionales y obtenemos algunos resultados. Si observamos los valores propios de este componente principal funcional, vemos que el primero ya explica más del 78 % de la variabilidad entre lotes. El segundo, que representa más del 9 %, concentrará el resto del análisis en estos dos componentes.
Observamos el gráfico de puntuación. En él, vemos directamente a lo largo del eje X, para el componente funcional 1, que explicaba la mayor parte de la variabilidad entre lotes, dos grupos: uno a la izquierda con solo los datos a escala de laboratorio y otro a la derecha con los datos a escala de laboratorio 2 y la escala de fabricación (los puntos azules y verdes). Se observan algunos valores atípicos. A lo largo del componente 2, no podemos definir dos grupos.
Para confirmar estos grupos, analizamos el gráfico de control. Aquí, vemos que la línea verde que corresponde a los valores medios entre los lotes es muy similar entre los puntos azules y verdes, es decir, la escala de laboratorio 2 y la escala de fabricación. La escala de laboratorio 1 tuvo una media muy diferente, por lo que esta escala de laboratorio no fue la óptima para nosotros. Functional Data Explorer identifica la escala de laboratorio 2 como el modelo de reducción de escala más representativo para este atributo. Es importante mencionar que esto es así para este atributo. Para otro atributo, podría ser otro modelo de reducción de escala. Debemos comprobar esto para todos los atributos que hemos decidido explorar en nuestro análisis.
Ahora que hemos definido el modelo de reducción de escala, nos gustaría ver la siguiente parte del análisis del estudio de PC. En este paso, nos gustaría diseñar los experimentos, ejecutarlos y observar la interacción entre los parámetros y los atributos, así como el análisis de datos con el rango de parámetros y la determinación del impacto. Para estos dos pasos, no utilizamos Functional Data Explorer, sino JMP con un enfoque DoE muy estándar.
¿Por qué usamos un DOE? El DOE nos permitió comparar parámetros y atributos, y observar su correlación. De hecho, en el diseño experimental, podemos identificar interacciones muy diferentes: el efecto principal, el efecto cuadrático y el efecto de interacción. También podemos optimizar el atributo. Por ejemplo, podemos maximizar un título, minimizar algunas impurezas o maximizar ciertas purezas y atributos de calidad. Podemos alcanzar un objetivo específico. Disponemos de muchas opciones que podrían sernos de gran ayuda. En el informe final, también presentamos el efecto de los parámetros sobre los atributos. Gracias a los valores p, podemos definir si son significativos o no.
Para diseñar el modelo correcto, podemos usar el menú DoE de JMP y elegir el diseño deseado. Si tenemos dudas sobre cómo hacerlo, siempre tenemos la opción DoE fácil, muy práctica, que nos ayuda a diseñar nuestro modelo paso a paso. En nuestro caso, usamos la superficie de respuesta clásica con diseño compuesto central. En este caso, tenemos un punto central que corresponde a nuestro punto de ajuste. Supongamos que tenemos 35 grados como punto de ajuste.
Luego tenemos lo que llamamos rango operativo. Este rango incluye la precisión de la sonda, así como la pequeña variación que podría ocurrir durante una fermentación. Por ejemplo, el 35 no será una línea recta. Habrá una oscilación muy pequeña debido a la precisión de la sonda, a los nutrientes que añadimos y a cómo el fermentador mantiene la temperatura. En este rango operativo, nos mantendremos dentro de la especificación.
Ahora, queremos saber si ampliamos o aumentamos el rango en caso de que ocurra algo durante el proceso que genere una pequeña diferencia, una temperatura más alta o muy baja en comparación con el punto de ajuste durante un corto periodo de tiempo o incluso durante todo el proceso, ¿mantenemos, durante este cambio de temperatura, la especificación de nuestro producto o la calidad? JMP DoE nos ayuda a optimizar el número de experimentos realizados en el laboratorio, así como a comprender la interacción de los parámetros y los atributos.
Ahora, estamos realizando el experimento en el laboratorio, recopilando todos los datos en la tabla de datos de JMP y queremos construir un modelo. Una vez que tengamos todos los datos en la tabla, lo haremos siguiendo el principio de datos ordenados. Es decir, una fila por experimento y una columna por cada parámetro o atributo. Esta es una forma muy estándar de usar JMP. Luego, podemos ajustar el modelo con diferentes opciones. Por ejemplo, podemos incluir el parámetro diferente en el modelo de superficie de respuesta. Podemos usar la Y aquí para agregar el atributo que queremos explorar. Podemos elegir diferentes personalidades, por ejemplo, el método de mínimos cuadrados estándar o el método escalonado, etc.
Tras ejecutar este modelo, obtendremos un informe. En este informe, solemos desplazarnos hacia abajo para ver el resultado en el perfilador de predicción y observar la interacción entre los parámetros y los atributos. Para ello y asegurarnos de contar con el modelo adecuado, es fundamental concentrarse en la evaluación del modelo. Este es el primer paso. Por eso, JMP nos proporciona una gran cantidad de información en este informe. Debemos comprender a fondo el resultado de esta evaluación. Por ejemplo, tenemos la falta de ajuste, los residuos estudentizados, el resumen del ajuste, etc. Les recomiendo analizar estos datos con mayor profundidad para comprender su significado y obtener el mejor modelo para sus datos. JMP realiza un análisis adecuado y verifica la calidad del ajuste del modelo, garantizando la fiabilidad del estudio de PC y del medicamento.
La relación entre atributos y parámetros se encuentra en el perfilador de predicción, como mencioné antes. Tenemos un punto de ajuste en el medio. Normalmente, llega a la parte superior de la curva de predicción. Tenemos el rango operativo. Ahí es donde los datos se encuentran dentro del rango de atributos. El rango es mayor en el borde del rango de atributos y en la intersección de la curva del perfilador de predicción. Esto significa que estos son los puntos extremos donde aún nos encontramos dentro de la especificación. Ese es el rango aceptable comprobado que buscamos con un estudio de PC. El estudio de PC también nos da el impacto, que depende de la forma de las curvas del perfilador de predicción. Cuanto más amplia sea la curva, menor será el impacto; cuanto más estrecha sea la curva hacia el punto de ajuste, mayor será el impacto. La especificación del atributo solo se cumple dentro de un rango aceptable comprobado del parámetro. Ahora, les mostraré un ejemplo donde usamos esto.
En este ejemplo de datos de estudio de PC de una fermentación, creamos un modelo de superficie de respuesta con un enfoque gradual y todas las opciones de modelo posibles. Cumplimos con muchos criterios en nuestra evaluación del modelo. Simplemente no observábamos la falta de ajuste. Tenemos una falta de ajuste, y el modelo no se ajusta bien a ese nivel. Nos preguntábamos por qué. Lo discutimos internamente con muchos expertos y analizamos nuestros datos a fondo. Descubrimos que probablemente tendríamos un efecto meseta que no se observaba en un modelo de superficie de respuesta, ya que es un modelo de segundo grado. Tuvimos que agregar un polinomio de tercer grado a los parámetros. Eso fue lo que hicimos y volvimos a ejecutar el análisis.
Allí, cumplíamos todos nuestros criterios. En este caso, tienen el primer modelo aquí y el segundo allá. Al final, ven que el parámetro que cambió fue el primero, y tenemos una curva ligeramente diferente en el perfilador de predicción. De hecho, tuvimos un efecto meseta al final.
En este punto, encontramos un modelo correcto que cumplía con todas nuestras especificaciones. Pudimos definir el rango aceptable comprobado y el impacto. El impacto, como se observa en los dos primeros parámetros, fue mayor que en el tercero. Esto es algo que ahora aplicamos en nuestra producción, y algunas pruebas se realizan a nivel de producción con estos rangos.
Al final de la fermentación, se detectaron algunas impurezas del producto en el cromatograma del método analítico, como un hombro posterior al pico. Esto es realmente complicado de eliminar en el proceso posterior. Les mostraré cómo, mediante el uso de Functional Data Explorer, logramos minimizar estas impurezas del producto.
Como pueden ver aquí, tenemos el cromatograma. Esperábamos que la curva ascendente descendiera con la misma forma en el lado derecho. Sin embargo, tenemos este lado irregular al descender. Esto significa que hay impurezas en esta parte del producto, impurezas relacionadas con el producto, que son difíciles de eliminar en el proceso posterior. Este problema podría agravarse si no las eliminamos o no encontramos la manera de hacerlo; podría ocurrir que, al final del proceso, no cumplamos con las especificaciones de calidad del producto.
Ahora tenemos una curva con impurezas. Sabemos que con un explorador de datos funcionales de JMP podemos comprender mejor la forma de la curva. Queremos comprender cómo algunos parámetros, como se vio antes, generan un DoE, así que probamos diferentes parámetros para ver cómo podemos usar esta información para explicar las impurezas y, posiblemente, reducirlas.
El problema para nosotros fue que el Explorador de Datos Funcionales nos proporcionaba análisis de componentes principales que no eran parámetros reales y que no podíamos modificar en el laboratorio para obtener parámetros concretos. No se trataba de una temperatura que pudiéramos modificar con solo unos pocos grados. Sin embargo, en el Explorador de Datos Funcionales de JMP, tenemos una opción muy útil que convierte los datos del componente principal funcional en parámetros reales: el DoE funcional. Al añadirlo al principio, al construir el modelo en el Explorador de Datos Funcionales, se puede añadir el análisis DoE que se realiza. De esta manera, JMP puede convertir los FPC en parámetros reales en el generador de perfiles. Posteriormente, pudimos convertirlos. Con este enfoque, esperábamos poder eliminar o reducir las impurezas.
Aquí está el ejemplo de cómo lo hicimos concretamente. Tenemos este hombro. Aquí, amplié la parte del pico para verlo mejor. Tenemos este hombro posterior al pico de 0,11. Era algo alto. Ese es el valor cuando tenemos los puntos de ajuste en todos los parámetros. Luego, lo optimizamos modificando cada parámetro en el perfilador funcional de DoE. Descubrimos que al disminuir el primer parámetro y aumentar los dos siguientes, redujimos a la mitad la cantidad de estas impurezas.
Este es un resultado excelente para nosotros, ya que eliminar estas impurezas en la parte DSP es muy difícil. Si podemos hacerlo en una etapa temprana del proceso, optimizando algunos parámetros, ahorraremos mucho tiempo y dinero. Es una solución realmente beneficiosa tanto para nosotros como para nuestros clientes. Este es un excelente resultado que aún debemos probar en el laboratorio. Aún no está terminado. También debemos evaluar si esto no generaría otros problemas, como la reducción excesiva de otros parámetros o atributos que no queremos reducir, o si se incrementarían otros aspectos.
Durante esta presentación, probablemente se habrá dado cuenta de la importancia de la estadística para respaldar la caracterización de procesos. Hoy les presento cómo podemos mejorar la caracterización y la transferencia de procesos de pequeña escala a la escala de fabricación gracias a JMP.
Como conclusión, pueden recordar estos cuatro aspectos de mi presentación. Primero, la caracterización del proceso garantiza una calidad constante del producto y un rendimiento reproducible durante la producción a escala. Segundo, con la DE funcional de JMP, podemos agrupar datos continuos para detectar diferencias de escala. Tercero, JMP ofrece la opción de identificar el modelo más adecuado, incluso para datos complejos como los datos de estudios de PC. Finalmente, la DoE funcional de JMP traduce los FPC en parámetros operativos que facilitan la comprensión y optimización del proceso.
Con esto, me gustaría agradecer efusivamente a todos mis colegas que me ayudaron a preparar esta presentación. Un agradecimiento muy especial a Sven, quien tuvo la idea del tema de esta presentación, pero también a Claire y Ludovic, quienes compartieron sus conocimientos estadísticos. A Jonas por su apoyo en la preparación de esta presentación, a Romain por compartir algunos datos conmigo, y a todos los colegas por sus aportaciones y reflexiones. Finalmente, un enorme agradecimiento a Florian, quien, durante los últimos años, ha apoyado a nuestro departamento en cualquier pregunta sobre JMP, desde la más complicada hasta la más compleja.
Gracias también por su atención. Espero que les haya resultado útil. Estoy dispuesto a responder cualquier pregunta que tengan. En Manchester, si tienen alguna otra pregunta, podemos hablarlo. Gracias.
