私の研究は、強化実験計画法 (iDoE) アプローチを適用して、バイオ医薬品業界における哺乳類細胞を用いた初期段階のプロセス開発の効率を高めることを目的としています。従来の実験計画法とは異なり、iDoE では重要なプロセス パラメータ (CPP) の実験内変動が伴います。このアプローチは、データ生成の効率を高めるだけでなく、段階的な最適化を通じて時間的なプロセス ダイナミクスを考慮することも可能にします。ただし、潜在的な制限として、以前の CPP 設定が (不可逆的に) 細胞に影響を与え、その後の CPP 設定値に対する細胞の応答動作に影響を与える可能性があります。
この問題に対処するため、私の研究では、プロセス履歴の影響を考慮しながら、iDoE を堅牢に計画および評価するためのガイドラインの開発に焦点を当てています。提示されたシミュレーション研究の焦点は、プロセス履歴に関連する相互作用項のさまざまな効果サイズが回帰モデルに与える影響を調査することです。その後、これらのモデルのベータ推定値と分散成分を比較して、プロセス履歴を明示的に考慮しない場合の影響を評価します。この研究は、これらのプロセスの動的な性質を考慮して、初期開発段階におけるプロセス最適化の実行方法を革新することで、バイオ医薬品業界に大きな影響を与える可能性があります。
こんにちは。JMP を使用して実行したシミュレーション研究についての短い講演へようこそ。この研究では、プロセス履歴が iDoE 回帰モデルに与える影響をシミュレートしました。まずは簡単な紹介から始めましょう。
私たちはバイオプロセスに取り組んでおり、それらは通常バイオリアクター内で実行されます。これらのバイオリアクター内で細胞が増殖し、これらの細胞が最終製品（通常は抗体）を生成します。これらのプロセスは、温度、溶存酸素など、さまざまなプロセスパラメータに依存します。
通常、私たちは、抗体の収量やプロセス内で得られる生存細胞密度など、反応を最大化するための理想的なプロセス パラメータを特定するために実験計画法を使用します。これらのプロセスは、細胞増殖プロセスに典型的な、増殖段階、遷移段階、および生産段階という異なる古典的な段階に分けることができます。
次のスライドでは、緑色と青色の 2 つの異なるバイオリアクター成長曲線を示します。ご覧のとおり、この場合、青色のバイオリアクターには緑色のバイオリアクターの 3 倍のタイトルがあります。どのように異なるのでしょうか。ご覧のとおり、それぞれのプロセスで実行された温度プロファイルに基づいて異なります。
ご覧のとおり、青い成長曲線ははるかに高くなっています。生存細胞密度は緑のプロセスよりもはるかに高く、これがこの増加したタイトルにつながっています。これは、プロセスダイナミクスを理解することで、バイオプロセスにおけるプロセスパフォーマンスを大幅に向上できる可能性があることを強調しています。
まさにこれが、強化実験計画法の背後にある考え方です。強化実験計画法では、プロセスを別々の段階に分割します。段階 1、段階 2、段階 3 があり、時間の経過とともに実験内パラメータのシフトを実行します。
プロセスパラメータを成長から生産回帰フェーズへの移行まで変更することで、プロセス全体で使用するパラメータセットを 1 つ用意するのではなく、各個別のステージ内でパラメータ設定を最適化し、プロセスダイナミクスを最適化できるようになります。
ただし、このアプローチには、プロセス履歴が回帰モデルに与える影響を適切に考慮する方法という課題があります。たとえば、ステージ 1 のプロセス パラメータは、ステージ 2 またはステージ 3 のプロセス パラメータの変化に対するセルの応答動作にどのように影響するのでしょうか。まさにこれが、プロセス履歴が回帰モデルに与える影響を調査するという、このシミュレーション研究の目的です。
これをどのようにシミュレートしたのでしょうか。2 つのプロセス パラメータ (この場合は温度と溶存酸素) と 3 つのステージ (ステージ 1、ステージ 2、ステージ 3) を使用した強化実験計画のデータをシミュレートしました。各ステージ内の各プロセス パラメータの影響は明示的に記述されており、ここでわかるように、温度 1 と溶存酸素は第 1 ステージ、次に第 2 ステージ、第 3 ステージです。これらのプロセス パラメータはすべて変更しにくい要因としてモデル化されていますが、同時に、時間的要素である培養期間も変更しやすい要因として調査しています。
また、バイオリアクターも用意されており、バイオリアクター間のランダムなオフセットに対応するために、プロット全体としてモデル化されています。これを線形混合モデルとしてモデル化します。
この中のプロセス履歴はどこにありますか? プロセス履歴は、これらのステージ間の相互作用の中にあります。つまり、第 1 ステージのプロセス パラメータ設定が、第 2 ステージまたは第 3 ステージでのプロセス パラメータの変更 (ここではステージ 1 の温度が強調表示されています) を通じて、細胞の応答動作にどのような影響を与えるかということです。これらのステージ間の相互作用を使用すると、プロセス履歴の影響を把握できます。
これでシミュレーションの設定が完了しました。JMP のシミュレーション レスポンス プラットフォームを使用しました。最後のスライドで示した設計をそのまま使用してモデルを作成し、このモデルのベータ係数がどのようなものになる可能性があるかを把握しました。
この基本モデルを作成するために、過去の回帰モデルから得た知識を使用しました。この基本モデル内で、私はステージ間の相互作用をシミュレートし、プロセス履歴の影響をモデル化するために使用しました。これらのステージ間の相互作用により、プロセス履歴が回帰モデルに与える影響についてのアイデアが得られます。
データがどのようなものか視覚的に把握するために、ここでは、このシミュレートされた基本モデルの培養期間にわたる生細胞密度を、ステージ 1 の温度の影響によって色分けしてプロットしました。ただし、プロセス履歴の影響に関心があるため、この基本モデルから逸脱し、ステージ間の相互作用の大きさを変えた代替モデルを作成しました。この場合、ステージ間の相互作用の係数を 2 倍にし、次に半分にし、さらに 4 分の 1 にして、プロセス履歴の影響が異なるさまざまなシナリオをシミュレートしていることがわかります。
これらのプロットからわかるように、これらは完全に妥当な生存細胞密度曲線にもなります。私は、線形混合モデルの固定効果として、先ほど示した 4 つの異なるモデルを使用しました。また、ランダム ホール プロット エラーとランダム残差エラーも導入しました。次に、これらのモデルを適合させました。
まず、ここには、モデルに含まれていたすべての適切な用語が表示されています。シミュレーションしたすべての用語には、プロセス履歴のプロキシとして使用するステージ間の相互作用が含まれます。私が適合させた 2 番目のモデルは、ステージ間の相互作用を含まないモデルであるため、プロセス履歴に対応する方法はありませんでした。
次に、この 2 つのモデルをベータ推定値、シミュレーションから判明したベータ係数をどれだけ正確に推定できるか、および分散成分に基づいて比較しました。このフィッティングを 1,000 回繰り返し、その後、それぞれの分布を調べました。これが、次の結果セクションでお見せしたい内容です。
データが実際にどのように見えるかを示すために、ここでは 1 つのベータについて、プロセス履歴を考慮したステージ間の相互作用を含む完全なモデルと、プロセス履歴を考慮しないステージ間の相互作用のない縮小モデルのベータ推定分布を視覚化しました。
ご覧のとおり、ステージ間の大きな相互作用が 2 倍になっているため、平均ベータ推定分布の間にかなり大きな差があります。一方、ステージ間の相互作用効果が非常に小さい場合、私が実行したこの 1,000 回のフィッティングの両方のベータ推定分布の平均推定値の間には非常に小さな差があります。両方のベータ分布の推定値の差が 0 の場合、両方のモデルの平均推定値が同じであることを意味します。
次のスライドでは、プロセス履歴を考慮した完全モデルのベータ推定値と、プロセス履歴を考慮しないステージ間相互作用のない縮小モデルの平均差を計算しました。
ご覧のとおり、ステージ間の相互作用の大きな効果サイズの場合、完全なモデルとステージ間の相互作用のないモデルの平均ベータ推定値にはかなり大きな差があります。一方、ステージ間の相互作用の小さな効果サイズの場合、差はごくわずかです。
次のスライドでは、分散成分についてお見せします。ここでも、プロセス履歴を考慮し、これらのステージ間相互作用を考慮した完全なモデルの比較です。ステージ間相互作用の効果サイズとは無関係に、分散成分が 0.25 で正しく推定されていることがわかります。一方、ステージ間相互作用のない縮小モデルでは、残差分散と比較して、プロット全体の分散が非常に膨らんでいることがわかります。
これらのステージ間の相互作用の効果サイズが小さいほど、これらの分散成分は、分散成分の実際のシミュレーションに近づきます。この膨らんだ全区画分散は、モデル内の相互作用項が欠落しているため、この分散の一部をモデルが説明するために、この全区画分散項を膨らませているためと考えられます。
これで私のプレゼンテーションの結論、つまり最後になります。私たちが見たのは、非常に小さなステージ間の相互作用、つまりプロセス履歴の影響が小さい場合、ステージ間の相互作用のないモデルは、プロセス履歴を組み込んだ完全なモデルに投影されるということです。つまり、これらのステージ間の相互作用は、モデリングで無視される可能性があるということです。
一方、ステージ間の相互作用が大きい場合やプロセス履歴の影響が大きい場合は、ベータ推定値にかなり大きな影響が見られます。これは、ステージ間の相互作用のないモデルとフルモデルの平均ベータ推定値の差で確認できます。ステージ間の相互作用のないモデルでは、これは、プロット全体のバリアントを膨らませることで部分的に補正されます。
非常に簡単に展望を述べると、私たちはこれらの結果を一般化して、おそらくステージ間相互作用の大きさを非ステージ間相互作用と比較することによって定量化し、将来得られるであろう実際の実験結果と比較する方法を得たいと思っています。
さらに、このベンチマークを、段階的回帰モデルなどのさらなるモデリング手法に拡張し、Functional Data Explorer を使用して iDoE データを分析したいと考えています。
これで私のプレゼンテーションは終わりです。聞いてくださった皆様に心から感謝いたします。特に、私の博士課程のプロジェクトを指導してくださった Verena と Beate に感謝いたします。
