La mia ricerca mira a migliorare l'efficienza dello sviluppo di processi in fase iniziale con cellule di mammiferi nell'industria biofarmaceutica applicando un approccio di progettazione sperimentale intensificata (iDoE). A differenza della progettazione sperimentale classica, l'iDoE comporta variazioni intra-sperimentali di parametri di processo critici (CPP). Questo approccio non solo aumenta l'efficienza della generazione di dati, ma consente anche di considerare le dinamiche di processo temporali tramite l'ottimizzazione per fase. Tuttavia, una potenziale limitazione è che le precedenti impostazioni CPP possono (irreversibilmente) avere un impatto sulle cellule e influenzare il loro comportamento di risposta ai successivi punti di regolazione CPP.
Per affrontare questo problema, la mia ricerca si concentra sullo sviluppo di linee guida per la pianificazione e la valutazione di iDoE in modo robusto, considerando l'impatto della cronologia del processo. L'obiettivo dello studio di simulazione presentato è quello di indagare l'impatto che diverse dimensioni dell'effetto dei termini di interazione associati alla cronologia del processo hanno sui nostri modelli di regressione. Successivamente, le stime beta e le componenti di varianza di questi modelli vengono confrontate per valutare l'impatto del non considerare esplicitamente la cronologia del processo. Questa ricerca ha il potenziale per avere un impatto significativo sull'industria biofarmaceutica innovando il modo in cui viene eseguita l'ottimizzazione del processo nello sviluppo in fase iniziale, considerando la natura dinamica di questi processi.
Ciao a tutti e benvenuti al mio breve intervento sullo studio di simulazione che ho eseguito utilizzando JMP, dove ho simulato l'impatto della cronologia dei processi sui nostri modelli di regressione iDoE. Vorrei iniziare con una brevissima introduzione.
Stiamo lavorando con i bioprocessi, che di solito vengono eseguiti all'interno dei bioreattori. All'interno di questi bioreattori, le cellule vengono coltivate e queste cellule producono il nostro prodotto finale, che di solito è un anticorpo. Questi processi dipendono da molti parametri di processo diversi, come temperatura, ossigeno disciolto e molti altri.
Di solito, useremmo la progettazione dell'esperimento per identificare il parametro di processo ideale per massimizzare la nostra risposta, ad esempio, la resa del nostro anticorpo o la densità di cellule vitali che otteniamo all'interno del nostro processo. Questi processi possono essere suddivisi in diverse fasi classiche che sono tipiche di tale processo di crescita cellulare, vale a dire la crescita, la transizione e la fase di produzione.
Qui, nella prossima diapositiva, mostro due diverse curve di crescita del bioreattore, quella verde e quella blu. Come potete vedere, il bioreattore blu, in questo caso, ha tre volte il titolo del bioreattore verde. In che modo differiscono? Differiscono, come potete vedere ora, in base al profilo di temperatura che è stato eseguito in questi rispettivi processi.
Come potete vedere, la curva di crescita blu è molto più alta. La densità delle cellule vitali è molto più alta rispetto al processo verde, il che porta a questo titolo aumentato. Questo evidenzia semplicemente che comprendendo le dinamiche del processo, possiamo potenzialmente migliorare notevolmente le prestazioni del nostro processo nei nostri bioprocessi.
Esattamente questa è l'idea alla base della progettazione intensiva dell'esperimento. Nella progettazione intensiva dell'esperimento, divideremmo il nostro processo in fasi separate. Ecco la fase uno, la fase due e la fase tre, ed eseguiamo cambiamenti di parametri intra-sperimentali nel tempo.
Modificheremmo i parametri di processo dalla fase di crescita a quella di transizione e di regressione della produzione, e in tal modo saremmo in grado di ottimizzare le impostazioni dei parametri in ciascuna di queste fasi separate, invece di avere un set di parametri da utilizzare per l'intero processo, in modo da ottimizzare queste dinamiche di processo.
Una certa sfida in questo approccio, tuttavia, è come considerare correttamente l'effetto della cronologia del processo sui nostri modelli di regressione. Ad esempio, in che modo i parametri di processo della fase 1 influenzano il comportamento di risposta delle nostre cellule ai nostri cambiamenti nei parametri di processo nella fase 2 o nella fase 3? Esattamente questo è l'obiettivo di questo studio di simulazione per indagare l'impatto della cronologia del processo sui nostri modelli di regressione.
Come ho simulato questo? Ho simulato i dati per un design di esperimento intensificato con due parametri di processo, in questo caso temperatura e ossigeno disciolto, e tre fasi, fase 1, fase 2 e fase 3. L'effetto di ogni parametro di processo all'interno di ogni fase è descritto esplicitamente, come puoi vedere qui, temperatura 1 e ossigeno disciolto per la prima fase, poi per la seconda fase e per la terza fase. Tutti questi parametri di processo sono modellati come fattori difficili da modificare e, allo stesso tempo, stiamo anche studiando la durata della coltura come fattore facile da modificare, che è la componente temporale.
Abbiamo anche il bioreattore, che è modellato come un intero grafico per adattarsi agli offset casuali tra i bioreattori. Lo modelliamo come un modello misto lineare.
Dove possiamo trovare la cronologia del processo in questo? La cronologia del processo può essere trovata in queste interazioni tra stadi, ovvero qual è l'impatto delle impostazioni dei parametri di processo del primo stadio sul comportamento di risposta delle nostre cellule attraverso le modifiche dei parametri di processo nel secondo o terzo stadio, qui evidenziate per la temperatura nello stadio 1. Queste interazioni tra stadi possono essere utilizzate per farsi un'idea dell'influenza della cronologia del processo.
Questo mi porta alla configurazione della mia simulazione. Ho utilizzato la piattaforma di simulazione della risposta in JMP. Ho utilizzato esattamente il design che vi ho appena mostrato in queste ultime diapositive per creare un modello e per avere un'idea di come potrebbero apparire potenzialmente questi coefficienti beta in questo modello.
Ho utilizzato le conoscenze dei modelli di regressione storica per creare questo modello di base. All'interno di questo modello di base, evidenzio le interazioni simulate tra le fasi, che ho utilizzato per modellare l'impatto della cronologia del processo. Queste interazioni tra le fasi sono ciò che ci dà un'idea dell'impatto della cronologia del processo sui modelli di regressione.
Per avere anche un'idea visiva di come appaiono i dati, ho qui tracciato la densità delle cellule vitali sulla durata della coltura per questo modello di base simulato, colorato dall'effetto della temperatura nella fase 1. Ma poiché siamo interessati all'impatto della cronologia del processo, ho deviato questo modello di base, creando un modello alternativo in cui ho variato l'entità di queste interazioni tra le fasi. Come puoi vedere qui, in questo caso ho raddoppiato i coefficienti delle interazioni tra le fasi, poi li ho dimezzati e li ho divisi in quarti per simulare diversi scenari con un impatto diverso della cronologia del processo.
Come potete vedere in quei grafici, questi risultano anche in curve di densità cellulare vitali dall'aspetto perfettamente valido. Ho usato questi quattro modelli diversi che vi ho appena mostrato come effetti fissi nei miei modelli misti lineari. Ho anche introdotto un errore casuale del grafico dei fori e l'errore casuale residuo. Ciò che ho fatto poi è stato adattare questi modelli.
Innanzitutto, qui puoi vedere che sono tutti i termini idonei che avevo nel mio modello. Tutti i termini che ho simulato, comprese queste interazioni tra fasi, che uso come proxy per la cronologia del processo. Il secondo modello che ho adattato era un modello che non conteneva queste interazioni tra fasi, quindi non aveva modo di adattarsi alla cronologia del processo.
Ho quindi confrontato quei due modelli in base alle loro stime beta, a quanto bene sono in grado di stimare i coefficienti beta che conoscevo dalla mia simulazione, così come i componenti della varianza. Ho ripetuto questo fitting 1.000 volte e in seguito ho esaminato le rispettive distribuzioni. Questo è ciò che vorrei mostrarvi nella sezione dei risultati.
Per darvi un'idea di come appaiono effettivamente i dati, qui, per una versione beta, ho visualizzato la distribuzione della stima della versione beta per il modello completo con interazione tra le fasi, considerando la cronologia del processo, e per il modello ridotto senza interazioni tra le fasi, senza considerare la cronologia del processo.
Come puoi vedere per grandi interazioni tra stadi qui moltiplicate per due, abbiamo una differenza piuttosto grande tra le distribuzioni delle stime beta medie. Mentre per effetti di interazione tra stadi davvero piccoli, abbiamo una differenza davvero piccola tra le stime medie di entrambe le distribuzioni delle stime beta di questi 1.000 fitting che ho eseguito. Stime di entrambe le distribuzioni beta, se la differenza di queste è zero, significherebbe che le stime medie di entrambi i modelli sono le stesse.
Nella diapositiva successiva ho calcolato la differenza media tra la stima beta del modello completo, considerando la cronologia del processo, e il modello ridotto senza interazioni tra le fasi, che non considera la cronologia del processo.
Come possiamo vedere per le grandi dimensioni dell'effetto di queste interazioni tra stadi, c'è una differenza piuttosto grande nelle stime beta medie per il modello completo e il modello senza interazioni tra stadi. Mentre per le piccole dimensioni dell'effetto di queste interazioni tra stadi, c'è una differenza davvero marginale.
Ciò che vorrei mostrarvi nella prossima diapositiva sono i componenti della varianza. Di nuovo, il confronto del modello completo, considerando la cronologia del processo, considerando queste interazioni tra stadi, e possiamo vedere che i componenti della varianza sono stimati correttamente qui con 0,25 indipendentemente dalla dimensione dell'effetto di queste interazioni tra stadi. Mentre per il modello ridotto senza interazioni tra stadi, possiamo vedere che abbiamo una varianza dell'intero grafico molto gonfiata rispetto alla varianza residua.
Minore è la dimensione dell'effetto di queste interazioni tra stadi, più queste componenti di varianza si avvicinano alla simulazione effettiva delle componenti di varianza. Questa varianza gonfiata dell'intero grafico è probabilmente dovuta al modello che spiega parte di questa varianza a causa dei termini di interazione mancanti nel modello gonfiando questo termine di varianza dell'intero grafico.
Questo mi porta alla conclusione, quindi alla parte finale della mia presentazione. Ciò che abbiamo visto è che per interazioni tra fasi molto piccole, ovvero un piccolo effetto della cronologia del processo, il modello senza interazioni tra fasi si proietta sul modello completo, che si adatta alla cronologia del processo. Ciò significa che queste interazioni tra fasi potrebbero essere potenzialmente trascurate nella modellazione.
Mentre quando abbiamo grandi interazioni tra stadi o un impatto elevato della cronologia del processo, possiamo vedere un impatto piuttosto grande sulla stima beta, che può essere visto nella differenza tra la stima beta media del modello completo rispetto al modello senza interazioni tra stadi. Ciò è in parte compensato nel modello senza interazioni tra stadi da varianti di interi grafici gonfiati.
Per dare una panoramica molto sintetica, vorremmo generalizzare questi risultati, magari quantificando l'entità delle interazioni tra stadi rispetto alle interazioni non tra stadi, per avere un modo per confrontarli con i risultati sperimentali effettivi che speriamo di ottenere in futuro.
Inoltre, vorremmo estendere questo benchmarking ad altri approcci di modellazione, come i modelli di regressione per fasi, nonché utilizzare Functional Data Explorer per l'analisi dei dati iDoE.
Questa è la fine della mia presentazione. Voglio ringraziarvi tutti molto per avermi ascoltato, e voglio ringraziare in modo particolare Verena e Beate per la supervisione e la guida durante il mio progetto di dottorato.
