Meine Forschung zielt darauf ab, die Effizienz der frühen Prozessentwicklung mit Säugetierzellen in der biopharmazeutischen Industrie durch die Anwendung eines intensivierten Versuchsdesign-Ansatzes (iDoE) zu verbessern. Im Gegensatz zum klassischen Versuchsdesign beinhaltet iDoE intraexperimentelle Variationen kritischer Prozessparameter (CPPs). Dieser Ansatz erhöht nicht nur die Effizienz der Datengenerierung, sondern ermöglicht auch die Berücksichtigung zeitlicher Prozessdynamiken durch stufenweise Optimierung. Eine mögliche Einschränkung besteht jedoch darin, dass vorherige CPP-Einstellungen die Zellen (irreversibel) beeinflussen und ihr Reaktionsverhalten auf nachfolgende CPP-Sollwerte beeinträchtigen können.
Um dieses Problem anzugehen, konzentriert sich meine Forschung auf die Entwicklung von Richtlinien für die robuste Planung und Bewertung von iDoEs unter Berücksichtigung der Auswirkungen der Prozesshistorie. Der Schwerpunkt der vorgestellten Simulationsstudie liegt auf der Untersuchung der Auswirkungen, die unterschiedliche Effektgrößen von Interaktionstermen im Zusammenhang mit der Prozesshistorie auf unsere Regressionsmodelle haben. Anschließend werden die Beta-Schätzungen und Varianzkomponenten dieser Modelle verglichen, um die Auswirkungen einer nicht expliziten Berücksichtigung der Prozesshistorie zu bewerten. Diese Forschung hat das Potenzial, die biopharmazeutische Industrie erheblich zu beeinflussen, indem sie die Art und Weise der Prozessoptimierung in der frühen Entwicklungsphase unter Berücksichtigung der dynamischen Natur dieser Prozesse innovativ gestaltet.
Hallo und herzlich willkommen zu meinem kurzen Vortrag über die Simulationsstudie, die ich mit JMP durchgeführt habe und in der ich die Auswirkungen des Prozessverlaufs auf unsere iDoE-Regressionsmodelle simuliert habe. Lassen Sie mich mit einer wirklich kurzen Einführung beginnen.
Wir arbeiten mit Bioprozessen, und diese werden normalerweise in Bioreaktoren durchgeführt. In diesen Bioreaktoren werden Zellen gezüchtet, und diese Zellen produzieren dann unser Endprodukt, das normalerweise ein Antikörper ist. Diese Prozesse hängen von vielen verschiedenen Prozessparametern ab, wie Temperatur, gelöstem Sauerstoff und vielen anderen.
Normalerweise verwenden wir Versuchsplanung, um ideale Prozessparameter zu ermitteln, mit denen wir unsere Reaktion maximieren können, beispielsweise die Ausbeute unseres Antikörpers oder die Dichte lebensfähiger Zellen, die wir in unserem Prozess erzielen. Diese Prozesse können in verschiedene klassische Phasen unterteilt werden, die für einen solchen Zellwachstumsprozess typisch sind, nämlich die Wachstums-, die Übergangs- und die Produktionsphase.
Hier auf der nächsten Folie zeige ich zwei verschiedene Wachstumskurven für Bioreaktoren, die grüne und die blaue. Wie Sie sehen, hat der blaue Bioreaktor in diesem Fall dreimal den Titel des grünen Bioreaktors. Wie unterscheiden sie sich? Sie unterscheiden sich, wie Sie jetzt sehen können, basierend auf dem Temperaturprofil, das in diesen jeweiligen Prozessen ausgeführt wurde.
Wie Sie sehen, ist die blaue Wachstumskurve viel höher. Die Dichte lebender Zellen ist viel höher als im grünen Prozess, was zu diesem höheren Titel führt. Dies unterstreicht nur, dass wir durch das Verständnis der Prozessdynamik unsere Prozessleistung in unseren Bioprozessen potenziell erheblich verbessern können.
Genau das ist die Idee hinter dem intensivierten Versuchsdesign. Beim intensivierten Versuchsdesign würden wir unseren Prozess in einzelne Phasen unterteilen. Hier sind Phase eins, Phase zwei und Phase drei, und wir führen im Laufe der Zeit intraexperimentelle Parameterverschiebungen durch.
Wir würden die Prozessparameter von der Wachstumsphase über die Übergangsphase zur Produktionsregressionsphase ändern und wären dadurch in der Lage, die Parametereinstellungen in jeder dieser einzelnen Phasen zu optimieren, anstatt einen Parametersatz zu haben, den wir für den gesamten Prozess verwenden würden, sodass wir diese Prozessdynamik optimieren könnten.
Eine gewisse Herausforderung bei diesem Ansatz besteht jedoch darin, den Einfluss der Prozesshistorie auf unsere Regressionsmodelle angemessen zu berücksichtigen. Wie beeinflussen beispielsweise die Prozessparameter der Phase 1 das Reaktionsverhalten unserer Zellen auf unsere Prozessparameterverschiebungen in Phase 2 oder in Phase 3? Genau dies ist das Ziel dieser Simulationsstudie, den Einfluss der Prozesshistorie auf unsere Regressionsmodelle zu untersuchen.
Wie habe ich das simuliert? Ich habe die Daten für ein intensiviertes Versuchsdesign mit zwei Prozessparametern, in diesem Fall Temperatur und gelöstem Sauerstoff, und drei Phasen, Phase 1, Phase 2 und Phase 3, simuliert. Die Wirkung jedes Prozessparameters innerhalb jeder Phase wird explizit beschrieben, wie Sie hier sehen können: Temperatur 1 und gelöster Sauerstoff für die erste Phase, dann für die zweite Phase und für die dritte Phase. Alle diese Prozessparameter werden als schwer veränderbare Faktoren modelliert, und gleichzeitig untersuchen wir auch die Kulturdauer als leicht veränderbaren Faktor, also die zeitliche Komponente.
Wir haben auch den Bioreaktor, der als Gesamtdiagramm modelliert wird, um zufällige Abweichungen zwischen den Bioreaktoren zu berücksichtigen. Wir modellieren ihn als lineares Mischmodell.
Wo ist hier die Prozesshistorie zu finden? Die Prozesshistorie findet sich in diesen stufenübergreifenden Interaktionen, also welchen Einfluss haben die Prozessparametereinstellungen der ersten Stufe auf das Antwortverhalten unserer Zellen durch die Prozessparameteränderungen in der zweiten oder dritten Stufe, hier hervorgehoben für die Temperatur in Stufe 1. Diese stufenübergreifenden Interaktionen können genutzt werden, um einen Eindruck vom Einfluss der Prozesshistorie zu bekommen.
Damit komme ich zum Aufbau meiner Simulation. Ich habe die Simulate-Response-Plattform in JMP verwendet. Ich habe genau das Design verwendet, das ich Ihnen gerade auf diesen letzten Folien gezeigt habe, um ein Modell zu erstellen und eine Vorstellung davon zu bekommen, wie diese Betakoeffizienten in diesem Modell möglicherweise aussehen könnten.
Ich habe Wissen aus historischen Regressionsmodellen verwendet, um dieses Basismodell zu erstellen. Innerhalb dieses Basismodells hebe ich die simulierten Interaktionen zwischen den Phasen hervor, die ich verwendet habe, um die Auswirkungen des Prozessverlaufs zu modellieren. Diese Interaktionen zwischen den Phasen geben uns eine Vorstellung von den Auswirkungen des Prozessverlaufs auf die Regressionsmodelle.
Um auch eine visuelle Vorstellung davon zu bekommen, wie die Daten aussehen, habe ich hier die Dichte lebender Zellen über die Kulturdauer für dieses simulierte Basismodell aufgetragen, eingefärbt durch die Auswirkungen der Temperatur in Phase 1. Da wir uns aber für die Auswirkungen des Prozessverlaufs interessieren, habe ich dieses Basismodell abgeändert und ein alternatives Modell erstellt, bei dem ich die Stärke dieser phasenübergreifenden Interaktionen variiert habe. Sie können hier sehen, dass ich in diesem Fall die Koeffizienten der phasenübergreifenden Interaktionen verdoppelt, dann halbiert und geviertelt habe, um verschiedene Szenarien mit unterschiedlichen Auswirkungen des Prozessverlaufs zu simulieren.
Wie Sie in diesen Diagrammen sehen können, ergeben sich daraus auch vollkommen gültig aussehende Kurven für die Dichte lebender Zellen. Ich habe diese vier verschiedenen Modelle, die ich Ihnen gerade gezeigt habe, als feste Effekte in meinen linearen Mischmodellen verwendet. Ich habe auch einen zufälligen Lochdiagrammfehler und den zufälligen Restfehler eingeführt. Was ich dann getan habe, war, diese Modelle anzupassen.
Hier sehen Sie zunächst, dass dies alle zulässigen Begriffe sind, die ich in meinem Modell hatte. Alle Begriffe, die ich simuliert habe, einschließlich dieser stufenübergreifenden Interaktionen, die ich als Proxy für den Prozessverlauf verwende. Das zweite Modell, das ich angepasst habe, war ein Modell, das diese stufenübergreifenden Interaktionen nicht enthielt, sodass es keine Möglichkeit gab, den Prozessverlauf zu berücksichtigen.
Diese beiden Modelle habe ich dann anhand ihrer Beta-Schätzungen verglichen, wie gut sie die Beta-Koeffizienten schätzen können, die ich aus meiner Simulation kannte, sowie die Varianzkomponenten. Diese Anpassung habe ich 1.000 Mal wiederholt und mir anschließend die jeweiligen Verteilungen angesehen. Dies möchte ich Ihnen als nächstes im Abschnitt „Ergebnisse“ zeigen.
Um Ihnen eine Vorstellung davon zu geben, wie die Daten dann tatsächlich aussehen, habe ich hier für eine Beta die Beta-Schätzverteilung für das vollständige Modell mit stufenübergreifender Interaktion unter Berücksichtigung des Prozessverlaufs und für das reduzierte Modell ohne stufenübergreifende Interaktionen ohne Berücksichtigung des Prozessverlaufs visualisiert.
Wie Sie sehen können, haben wir bei großen bühnenübergreifenden Interaktionen mal zwei einen ziemlich großen Unterschied zwischen den mittleren Beta-Schätzverteilungen. Bei sehr kleinen bühnenübergreifenden Interaktionseffekten hingegen haben wir einen sehr kleinen Unterschied zwischen den mittleren Schätzungen beider Beta-Schätzverteilungen dieser 1.000 Anpassungen, die ich durchgeführt habe. Wenn der Unterschied zwischen den Schätzungen beider Betaverteilungen Null ist, würde das bedeuten, dass die Mittelwertschätzungen beider Modelle gleich sind.
Auf der nächsten Folie habe ich die mittlere Differenz zwischen der Beta-Schätzung des vollständigen Modells unter Berücksichtigung des Prozessverlaufs und des reduzierten Modells ohne phasenübergreifende Interaktion berechnet, das den Prozessverlauf nicht berücksichtigt.
Wie wir sehen können, gibt es bei großen Effektgrößen dieser stufenübergreifenden Interaktionen einen ziemlich großen Unterschied zwischen den mittleren Beta-Schätzungen für das vollständige Modell und das Modell ohne stufenübergreifende Interaktionen. Bei kleinen Effektgrößen dieser stufenübergreifenden Interaktionen gibt es dagegen nur einen sehr geringen Unterschied.
Was ich Ihnen auf der nächsten Folie zeigen möchte, sind die Varianzkomponenten. Auch hier der Vergleich des vollständigen Modells unter Berücksichtigung der Prozesshistorie und dieser stufenübergreifenden Interaktionen. Wir können sehen, dass die Varianzkomponenten hier mit 0,25 korrekt geschätzt werden, unabhängig von der Effektgröße dieser stufenübergreifenden Interaktionen. Beim reduzierten Modell ohne stufenübergreifende Interaktionen hingegen können wir sehen, dass wir im Vergleich zur Restvarianz eine sehr aufgeblähte Gesamtvarianz haben.
Je kleiner die Effektstärke dieser Interaktionen zwischen den einzelnen Phasen ist, desto näher kommen diese Varianzkomponenten den tatsächlich simulierten Varianzkomponenten. Diese aufgeblähte Gesamtvarianz ist wahrscheinlich darauf zurückzuführen, dass das Modell einen Teil dieser Varianz aufgrund der fehlenden Interaktionsterme im Modell erklärt, indem es diesen Gesamtvarianzterm aufbläht.
Damit komme ich zum Fazit und damit zum Schluss meiner Präsentation. Was wir gesehen haben, war, dass bei sehr kleinen stufenübergreifenden Interaktionen, also einem kleinen Effekt der Prozesshistorie, das Modell ohne stufenübergreifende Interaktionen auf das Gesamtmodell projiziert werden kann, das die Prozesshistorie berücksichtigt. Das bedeutet, dass diese stufenübergreifenden Interaktionen bei der Modellierung möglicherweise vernachlässigt werden könnten.
Wenn wir hingegen große Interaktionen zwischen den einzelnen Phasen oder einen hohen Einfluss der Prozesshistorie haben, können wir einen ziemlich großen Einfluss auf die Beta-Schätzung feststellen, der sich an der Differenz zwischen der mittleren Beta-Schätzung des Gesamtmodells und dem Modell ohne Interaktionen zwischen den einzelnen Phasen zeigt. Dies wird im Modell ohne Interaktionen zwischen den einzelnen Phasen teilweise durch aufgeblähte Varianten des gesamten Diagramms kompensiert.
Um einen wirklich kurzen Ausblick zu geben: Wir würden diese Ergebnisse gerne verallgemeinern, indem wir vielleicht das Ausmaß der stufenübergreifenden Interaktionen im Vergleich zu den nicht stufenübergreifenden Interaktionen quantifizieren, um eine Möglichkeit zu erhalten, sie mit tatsächlichen experimentellen Ergebnissen zu vergleichen, die wir hoffentlich in der Zukunft erhalten werden.
Darüber hinaus möchten wir dieses Benchmarking auf weitere Modellierungsansätze wie stufenweise Regressionsmodelle ausweiten sowie den Functional Data Explorer zur Analyse von iDoE-Daten verwenden.
Damit ende ich meine Präsentation. Ich möchte mich bei Ihnen allen herzlich fürs Zuhören bedanken und insbesondere bei Verena und Beate für die Betreuung und Anleitung während meines Doktorandenprojekts.
