Mes recherches visent à améliorer l'efficacité du développement de processus à un stade précoce avec des cellules de mammifères dans l'industrie biopharmaceutique en appliquant une approche de conception d'expériences intensifiée (iDoE). Contrairement à la conception d'expériences classique, l'iDoE implique des variations intra-expérimentales des paramètres critiques de processus (CPP). Cette approche augmente non seulement l'efficacité de la génération de données, mais permet également de prendre en compte la dynamique temporelle du processus grâce à une optimisation étape par étape. Cependant, une limitation potentielle est que les paramètres CPP précédents peuvent avoir un impact (irréversible) sur les cellules et affecter leur comportement de réponse aux points de consigne CPP ultérieurs.
Pour répondre à cette problématique, mes recherches se concentrent sur l’élaboration de lignes directrices pour la planification et l’évaluation rigoureuses des iDoE, en tenant compte de l’impact de l’historique du processus. L’étude de simulation présentée vise à étudier l’impact que différentes tailles d’effet des termes d’interaction associés à l’historique du processus ont sur nos modèles de régression. Par la suite, les estimations bêta et les composantes de variance de ces modèles sont comparées pour évaluer l’impact de ne pas prendre explicitement en compte l’historique du processus. Cette recherche a le potentiel d’avoir un impact significatif sur l’industrie biopharmaceutique en innovant dans la manière dont l’optimisation des processus au stade précoce du développement est réalisée, compte tenu de la nature dynamique de ces processus.
Bonjour et bienvenue à tous pour ma brève présentation que je vais donner sur l'étude de simulation que j'ai réalisée à l'aide de JMP, où j'ai simulé l'impact de l'historique du processus sur nos modèles de régression iDoE. Permettez-moi de commencer par une très brève introduction.
Nous travaillons avec des bioprocédés, qui sont généralement réalisés dans des bioréacteurs. Dans ces bioréacteurs, des cellules sont cultivées et ces cellules produisent ensuite notre produit final, qui est généralement un anticorps. Ces processus dépendent de nombreux paramètres de processus différents tels que la température, l'oxygène dissous et bien d'autres.
En général, nous utilisons un plan d'expérience pour identifier les paramètres de processus idéaux afin de maximiser notre réponse, par exemple le rendement de notre anticorps ou la densité de cellules viables que nous obtenons dans le cadre de notre processus. Ces processus peuvent être divisés en différentes étapes classiques typiques d'un tel processus de croissance cellulaire, à savoir la phase de croissance, la phase de transition et la phase de production.
Ici, dans la diapositive suivante, je montre deux courbes de croissance de bioréacteur différentes, la verte et la bleue. Comme vous pouvez le voir, le bioréacteur bleu, dans ce cas, porte trois fois le titre du bioréacteur vert. En quoi diffèrent-ils ? Comme vous pouvez le voir maintenant, ils diffèrent en fonction du profil de température qui a été exécuté dans ces processus respectifs.
Comme vous pouvez le constater, la courbe de croissance bleue est beaucoup plus élevée. La densité de cellules viables est beaucoup plus élevée que dans le processus vert, ce qui conduit à ce titre accru. Cela montre simplement qu'en comprenant la dynamique du processus, nous pouvons potentiellement améliorer considérablement les performances de nos processus dans nos bioprocédés.
C'est exactement l'idée qui sous-tend la conception d'expériences intensifiées. Dans la conception d'expériences intensives, nous divisons notre processus en étapes distinctes. Voici la première étape, la deuxième étape et la troisième étape, et effectuons des changements de paramètres intra-expérimentaux au fil du temps.
Nous modifierions les paramètres du processus de la phase de croissance à la phase de transition vers la phase de régression de la production, et nous serions ainsi en mesure d'optimiser les réglages des paramètres au sein de chacune de ces étapes distinctes au lieu d'avoir un ensemble de paramètres que nous utiliserions pour l'ensemble du processus, afin de pouvoir optimiser cette dynamique de processus.
Cependant, cette approche pose un certain défi : comment prendre en compte correctement l'effet de l'historique du processus sur nos modèles de régression ? Par exemple, comment les paramètres de processus de l'étape 1 influencent-ils le comportement de réponse de nos cellules aux changements de paramètres de processus de l'étape 2 ou de l'étape 3 ? C'est précisément l'objectif de cette étude de simulation visant à étudier l'impact de l'historique du processus sur nos modèles de régression.
Comment ai-je simulé cela ? J'ai simulé les données pour un plan d'expérience intensifié avec deux paramètres de processus, dans ce cas, la température et l'oxygène dissous, et trois étapes, étape 1, étape 2 et étape 3. L'effet de chaque paramètre de processus à chaque étape est décrit explicitement, comme vous pouvez le voir ici, la température 1 et l'oxygène dissous pour la première étape, puis pour la deuxième étape et pour la troisième étape. Tous ces paramètres de processus sont modélisés comme des facteurs difficiles à modifier, et en même temps, nous étudions également la durée de la culture comme un facteur facile à modifier, qui est la composante temporelle.
Nous avons également le bioréacteur, qui est modélisé comme une parcelle entière pour tenir compte des décalages aléatoires entre les bioréacteurs. Nous le modélisons comme un modèle mixte linéaire.
Où pouvons-nous trouver l'historique du processus dans ce cadre ? L'historique du processus peut être trouvé dans ces interactions entre les étapes, c'est-à-dire quel est l'impact des réglages des paramètres de processus de la première étape sur le comportement de réponse de nos cellules via les changements de paramètres de processus dans la deuxième ou la troisième étape, ici mis en évidence pour la température dans l'étape 1. Ces interactions entre les étapes peuvent être utilisées pour avoir une idée de l'influence de l'historique du processus.
Cela m'amène à la configuration de ma simulation. J'ai utilisé la plateforme de simulation de réponse dans JMP. J'ai utilisé exactement la conception que je viens de vous montrer dans ces dernières diapositives pour créer un modèle et pour avoir une idée de ce à quoi pourraient ressembler ces coefficients bêta dans ce modèle.
J'ai utilisé les connaissances issues des modèles de régression historiques pour créer ce modèle de base. Dans ce modèle de base, j'ai mis en évidence les interactions simulées entre les étapes, que j'ai utilisées pour modéliser l'impact de l'historique du processus. Ces interactions entre les étapes nous donnent une idée de l'impact de l'historique du processus sur les modèles de régression.
Pour avoir une idée visuelle de ce à quoi ressemblent les données, j'ai ici tracé la densité de cellules viables sur la durée de culture pour ce modèle de base simulé, coloré par l'effet de la température à l'étape 1. Mais comme nous nous intéressons à l'impact de l'historique du processus, j'ai dévié de ce modèle de base, en créant un modèle alternatif dans lequel j'ai fait varier l'ampleur de ces interactions entre les étapes. Vous pouvez voir ici, dans ce cas, que j'ai doublé les coefficients des interactions entre les étapes, puis je les ai divisés par deux, puis je les ai divisés par quatre pour simuler différents scénarios avec différents impacts de l'historique du processus.
Comme vous pouvez le voir sur ces graphiques, ceux-ci donnent également lieu à des courbes de densité cellulaire viable parfaitement valides. J'ai utilisé ces quatre modèles différents que je viens de vous montrer comme effets fixes dans mes modèles mixtes linéaires. J'ai également introduit une erreur de tracé de trous aléatoires et l'erreur résiduelle aléatoire. Ce que j'ai fait ensuite, c'est d'ajuster ces modèles.
Tout d'abord, vous pouvez voir ici que ce sont tous les termes éligibles que j'avais dans mon modèle. Tous les termes que j'ai simulés, y compris ces interactions entre les étapes, que j'utilise comme proxy pour l'historique du processus. Le deuxième modèle que j'ai ajusté était un modèle qui ne contenait pas ces interactions entre les étapes, il n'avait donc aucun moyen de s'adapter à l'historique du processus.
J'ai ensuite comparé ces deux modèles en me basant sur leurs estimations bêta, sur leur capacité à estimer les coefficients bêta que je connaissais grâce à ma simulation, ainsi que sur les composantes de la variance. J'ai répété cet ajustement 1 000 fois et j'ai ensuite examiné les distributions respectives. C'est ce que je voudrais vous montrer ensuite dans la section des résultats.
Pour vous donner une idée de ce à quoi ressemblent réellement les données, ici pour une version bêta, j'ai visualisé la distribution d'estimation bêta pour le modèle complet avec interaction entre les étapes, en tenant compte de l'historique du processus, et pour le modèle réduit sans interactions entre les étapes, sans tenir compte de l'historique du processus.
Comme vous pouvez le constater, pour les grandes interactions entre les différentes étapes ici multipliées par deux, nous avons une différence assez importante entre les distributions moyennes des estimations bêta. En revanche, pour les effets d'interaction entre les différentes étapes vraiment faibles, nous avons une très petite différence entre les estimations moyennes des deux distributions d'estimation bêta des 1 000 ajustements que j'ai effectués. Si la différence entre les estimations des deux distributions bêta est nulle, cela signifie que les estimations moyennes des deux modèles sont les mêmes.
Sur la diapositive suivante, j'ai calculé la différence moyenne entre l'estimation bêta du modèle complet, en tenant compte de l'historique du processus, et le modèle réduit sans interactions entre les étapes, qui ne tient pas compte de l'historique du processus.
Comme nous pouvons le constater, pour les effets importants de ces interactions entre les différentes étapes, il existe une différence assez importante entre les estimations bêta moyennes du modèle complet et du modèle sans interactions entre les différentes étapes. En revanche, pour les effets faibles de ces interactions entre les différentes étapes, la différence est très marginale.
Ce que je voudrais vous montrer sur la diapositive suivante, ce sont les composantes de la variance. Encore une fois, la comparaison du modèle complet, en tenant compte de l'historique du processus, en tenant compte de ces interactions entre les étapes, et nous pouvons voir que les composantes de la variance sont estimées correctement ici avec 0,25 indépendamment de la taille de l'effet de ces interactions entre les étapes. Alors que pour le modèle réduit sans interactions entre les étapes, nous pouvons voir que nous avons une variance globale du tracé très gonflée par rapport à la variance résiduelle.
Plus la taille de l'effet de ces interactions entre les différentes étapes est faible, plus ces composantes de variance se rapprochent de la simulation réelle des composantes de variance. Cette variance globale gonflée est probablement due au fait que le modèle explique une partie de cette variance en raison des termes d'interaction manquants dans le modèle en gonflant ce terme de variance globale.
Cela m'amène à la conclusion, donc à la fin de ma présentation. Nous avons vu que pour de très petites interactions entre les étapes, c'est-à-dire un petit effet de l'historique du processus, le modèle sans interactions entre les étapes se projette sur le modèle complet, qui tient compte de l'historique du processus. Cela signifie que ces interactions entre les étapes pourraient être potentiellement négligées dans la modélisation.
En revanche, lorsque nous avons de grandes interactions entre les étapes ou un impact élevé de l'historique du processus, nous pouvons constater un impact assez important sur l'estimation bêta, qui peut être observé à la différence entre l'estimation bêta moyenne du modèle complet par rapport au modèle sans interactions entre les étapes. Ceci est partiellement compensé dans le modèle sans interactions entre les étapes par des variantes de parcelles entières gonflées.
Pour donner un aperçu très bref, nous aimerions généraliser ces résultats peut-être en quantifiant l'ampleur des interactions entre les étapes par rapport aux interactions sans inter-étapes pour avoir un moyen de les comparer aux résultats expérimentaux réels que nous espérons obtenir à l'avenir.
De plus, nous souhaitons étendre cette analyse comparative à d’autres approches de modélisation telles que les modèles de régression par étapes, ainsi qu’utiliser le Functional Data Explorer pour analyser les données iDoE.
Voilà, c'est la fin de ma présentation. Je tiens à vous remercier tous pour votre écoute, et je tiens à remercier tout particulièrement Verena et Beate pour leur encadrement et leurs conseils durant mon projet de doctorat.
