제 연구는 강화된 실험 설계(iDoE) 접근 방식을 적용하여 생물제약 산업에서 포유류 세포를 이용한 초기 단계 공정 개발의 효율성을 높이는 것을 목표로 합니다. 고전적인 실험 설계와 달리 iDoE는 실험 내 중요 공정 매개변수(CPP)의 변화를 포함합니다. 이 접근 방식은 데이터 생성 효율성을 높일 뿐만 아니라 단계별 최적화를 통해 시간적 공정 역학을 고려할 수 있게 합니다. 그러나 잠재적인 한계는 이전 CPP 설정이 세포에 (돌이킬 수 없게) 영향을 미쳐 후속 CPP 설정 지점에 대한 반응 동작에 영향을 미칠 수 있다는 것입니다.
이 문제를 해결하기 위해, 제 연구는 프로세스 이력의 영향을 고려하여 iDoE를 견고하게 계획하고 평가하기 위한 가이드라인을 개발하는 데 중점을 두고 있습니다. 제시된 시뮬레이션 연구의 초점은 프로세스 이력과 관련된 상호 작용 항목의 다양한 효과 크기가 회귀 모델에 미치는 영향을 조사하는 것입니다. 그런 다음 이러한 모델의 베타 추정치와 분산 구성 요소를 비교하여 프로세스 이력을 명시적으로 고려하지 않는 영향을 평가합니다. 이 연구는 이러한 프로세스의 역동적인 특성을 고려하여 초기 단계 개발에서 프로세스 최적화가 수행되는 방식을 혁신함으로써 생물제약 산업에 상당한 영향을 미칠 수 있는 잠재력이 있습니다.
안녕하세요. 제가 JMP를 사용하여 수행한 시뮬레이션 연구에 대한 짧은 발표에 오신 것을 환영합니다. 여기서 저는 프로세스 이력이 iDoE 회귀 모델에 미치는 영향을 시뮬레이션했습니다. 아주 간단한 소개로 시작하겠습니다.
우리는 생물 공정을 다루고 있으며, 이는 일반적으로 생물 반응기 내에서 수행됩니다. 이러한 생물 반응기 내에서 세포가 성장하고, 이러한 세포는 최종 제품인 항체를 생산합니다. 이러한 공정은 온도, 용존 산소 및 기타 여러 가지와 같은 여러 가지 공정 매개변수에 따라 달라집니다.
일반적으로 우리는 실험 설계를 사용하여 반응을 극대화하는 이상적인 공정 매개변수를 식별합니다. 예를 들어, 항체 수율이나 공정 내에서 얻는 생존 가능한 세포 밀도가 있습니다. 이러한 공정은 세포 성장 공정에 전형적인 여러 고전적 단계, 즉 성장, 전환 및 생산 단계로 나눌 수 있습니다.
다음 슬라이드에서 두 가지 다른 바이오리액터 성장 곡선을 보여드리겠습니다. 녹색과 파란색입니다. 보시다시피, 이 경우 파란색 바이오리액터는 녹색 바이오리액터의 3배의 제목을 가지고 있습니다. 어떻게 다를까요? 지금 보시다시피, 이 두 가지가 다른 것은 각각의 공정에서 실행된 온도 프로파일에 따라 다릅니다.
보시다시피, 파란색 성장 곡선은 훨씬 더 높습니다. 생존 가능한 세포 밀도는 녹색 프로세스보다 훨씬 더 높아서 타이틀이 증가했습니다. 이는 프로세스 역학을 이해함으로써 잠재적으로 생물 프로세스에서 프로세스 성능을 크게 개선할 수 있음을 강조합니다.
이것이 바로 강화된 실험 설계의 아이디어입니다. 강화된 실험 설계에서 우리는 프로세스를 여러 단계로 나눕니다. 여기 1단계, 2단계, 3단계가 있고, 시간 경과에 따라 실험 내 매개변수 이동을 수행합니다.
우리는 성장에서 전환, 생산 회귀 단계로 프로세스 매개변수를 변경하여 전체 프로세스에 사용할 단일 매개변수 집합을 갖는 대신 이들 각 별도 단계 내에서 매개변수 설정을 최적화할 수 있고, 이를 통해 이러한 프로세스 역학을 최적화할 수 있습니다.
하지만 이 접근 방식에서 특정한 과제는 회귀 모델에 대한 프로세스 이력의 영향을 적절하게 고려하는 방법입니다. 예를 들어, 1단계의 프로세스 매개변수는 2단계 또는 3단계에서 프로세스 매개변수 변화에 대한 세포의 반응 행동에 어떤 영향을 미칠까요? 바로 이것이 이 시뮬레이션 연구의 목적이며, 프로세스 이력이 회귀 모델에 미치는 영향을 조사하는 것입니다.
어떻게 시뮬레이션했을까요? 두 가지 공정 매개변수(이 경우 온도와 용존 산소)와 세 단계(단계 1, 단계 2, 단계 3)를 사용하여 강화된 실험 설계에 대한 데이터를 시뮬레이션했습니다. 각 단계 내의 각 공정 매개변수의 효과는 여기에서 볼 수 있듯이 첫 번째 단계의 온도 1과 용존 산소, 두 번째 단계의 온도 1과 용존 산소, 세 번째 단계의 온도 1과 용존 산소로 명확하게 설명되어 있습니다. 이러한 모든 공정 매개변수는 변경하기 어려운 요소로 모델링되었으며, 동시에 시간적 구성 요소인 변경하기 쉬운 요소인 배양 기간도 조사하고 있습니다.
또한 바이오리액터도 있는데, 바이오리액터 간의 무작위 오프셋을 수용하기 위해 전체 플롯으로 모델링합니다. 선형 혼합 모델로 모델링합니다.
이 안에서 프로세스 이력을 어디에서 찾을 수 있을까요? 프로세스 이력은 이러한 단계 간 상호작용에서 찾을 수 있습니다. 즉, 1단계의 프로세스 매개변수 설정이 2단계 또는 3단계의 프로세스 매개변수 변경을 통해 세포의 반응 동작에 미치는 영향은 무엇인가요? 여기서는 1단계의 온도에 대해 강조했습니다. 이러한 단계 간 상호작용을 사용하여 프로세스 이력의 영향을 파악할 수 있습니다.
여기서 시뮬레이션 설정에 대해 말씀드리겠습니다. 저는 JMP에서 시뮬레이션 응답 플랫폼을 사용했습니다. 저는 이 마지막 슬라이드에서 보여드린 디자인을 그대로 사용하여 모델을 만들고 이 모델의 베타 계수가 잠재적으로 어떻게 보일지 알아보았습니다.
저는 역사적 회귀 모델의 지식을 사용하여 이 기본 모델을 만들었습니다. 이 기본 모델 내에서 저는 프로세스 이력의 영향을 모델링하는 데 사용한 단계별 상호 작용을 강조하여 시뮬레이션했습니다. 이러한 단계별 상호 작용은 회귀 모델에 대한 프로세스 이력의 영향에 대한 아이디어를 제공합니다.
데이터가 어떤 모습인지 시각적으로 알아보기 위해, 여기서는 1단계의 온도 효과에 따라 색칠한 이 시뮬레이션 기본 모델에 대한 배양 기간에 걸친 생존 가능한 세포 밀도를 플로팅했습니다. 하지만 우리는 프로세스 이력의 영향에 관심이 있으므로, 이 기본 모델에서 벗어나 이러한 단계 간 상호 작용의 크기를 다양하게 한 대체 모델을 만들었습니다. 여기서 볼 수 있듯이, 이 경우, 단계 간 상호 작용의 계수를 두 배로 늘린 다음, 반으로 줄이고, 4등분하여 프로세스 이력의 영향이 다른 다양한 시나리오를 시뮬레이션했습니다.
그 플롯에서 볼 수 있듯이, 이것들은 또한 완벽하게 유효한 생존 가능한 세포 밀도 곡선을 만들어냅니다. 저는 방금 보여드린 네 가지 다른 모델을 선형 혼합 모델에서 고정 효과로 사용했습니다. 또한 무작위 홀 플롯 오류와 무작위 잔차 오류를 도입했습니다. 그런 다음 제가 한 일은 이러한 모델을 맞추는 것이었습니다.
첫째, 여기서 내 모델에 있는 모든 적격 용어를 볼 수 있습니다. 내가 시뮬레이션한 모든 용어, 여기에는 프로세스 이력의 대리로 사용하는 이러한 단계 간 상호 작용이 포함됩니다. 내가 맞춘 두 번째 모델은 이러한 단계 간 상호 작용을 포함하지 않는 모델이었기 때문에 프로세스 이력을 수용할 방법이 없었습니다.
그 두 모델을 베타 추정치, 제가 시뮬레이션에서 알고 있는 베타 계수를 얼마나 잘 추정할 수 있는지, 그리고 분산 구성 요소를 기준으로 비교했습니다. 이 피팅을 1,000번 반복한 후 각각의 분포를 살펴보았습니다. 이것이 제가 결과 섹션에서 여러분께 보여드리고 싶은 것입니다.
그러면 데이터가 실제로 어떤 모습인지 아이디어를 제공하겠습니다. 여기서는 한 베타에 대해 프로세스 이력을 고려한 단계 간 상호 작용이 있는 전체 모델과 프로세스 이력을 고려하지 않고 단계 간 상호 작용이 없는 축소 모델에 대한 베타 추정치 분포를 시각화했습니다.
여기서 볼 수 있듯이 큰 단계 간 상호작용의 경우 2배로, 평균 베타 추정 분포 사이에 상당히 큰 차이가 있습니다. 반면 매우 작은 단계 간 상호작용 효과의 경우, 제가 수행한 이 1,000개 피팅의 두 베타 추정 분포의 평균 추정치 사이에 매우 작은 차이가 있습니다. 두 베타 분포의 추정치, 그 차이가 0이면 두 모델의 평균 추정치가 동일하다는 것을 의미합니다.
다음 슬라이드에서는 프로세스 이력을 고려한 전체 모델의 베타 추정치와, 프로세스 이력을 고려하지 않는 단계별 상호 작용이 없는 축소 모델 간의 평균 차이를 계산했습니다.
이러한 단계 간 상호작용의 큰 효과 크기의 경우, 전체 모델과 단계 간 상호작용이 없는 모델의 평균 베타 추정치에 상당한 차이가 있음을 알 수 있습니다. 반면 이러한 단계 간 상호작용의 작은 효과 크기의 경우, 정말 미미한 차이가 있습니다.
다음 슬라이드에서 보여드리고 싶은 것은 분산 구성 요소입니다. 다시 말해서, 전체 모델을 비교하고, 프로세스 이력을 고려하고, 이러한 단계 간 상호 작용을 고려하면, 분산 구성 요소가 이러한 단계 간 상호 작용의 효과 크기와 무관하게 0.25로 올바르게 추정된다는 것을 알 수 있습니다. 반면 단계 간 상호 작용이 없는 축소 모델의 경우, 잔차 분산에 비해 전체 플롯 분산이 매우 부풀려진 것을 알 수 있습니다.
이러한 단계 간 상호작용의 효과 크기가 작을수록 이러한 분산 구성 요소는 분산 구성 요소의 실제 시뮬레이션에 더 가까워집니다. 이 부풀려진 전체 플롯 분산은 아마도 모델에서 누락된 상호작용 항목으로 인해 이 전체 플롯 분산 항목을 부풀려 일부 분산을 설명하기 때문일 것입니다.
이제 결론, 즉 프레젠테이션의 마지막에 도달했습니다. 우리가 본 것은 매우 작은 단계 간 상호작용, 즉 프로세스 이력의 작은 효과의 경우, 단계 간 상호작용이 없는 모델은 전체 모델에 투사되어 프로세스 이력을 수용한다는 것입니다. 즉, 이러한 단계 간 상호작용은 모델링에서 잠재적으로 무시될 수 있습니다.
반면에 큰 단계 간 상호 작용이나 프로세스 이력의 영향이 큰 경우 베타 추정치에 상당히 큰 영향을 볼 수 있으며, 이는 전체 모델의 평균 베타 추정치와 단계 간 상호 작용이 없는 모델의 차이에서 확인할 수 있습니다. 이는 단계 간 상호 작용이 없는 모델에서 부분적으로 과장된 전체 플롯 변형으로 보상됩니다.
정말 간략하게 살펴보자면, 우리는 이러한 결과를 일반화하여 단계 간 상호작용의 규모를 비단계 간 상호작용과 비교하여 정량화하고, 이를 미래에 얻을 수 있기를 바라는 실제 실험 결과와 비교할 방법을 찾고 싶습니다.
나아가, 우리는 이 벤치마킹을 단계별 회귀 모델과 같은 추가적인 모델링 접근 방식에 확장하고, iDoE 데이터를 분석하기 위해 기능 데이터 탐색기를 사용하고 싶습니다.
제 프레젠테이션은 여기서 끝입니다. 들어주신 모든 분들께 진심으로 감사드리고, 특히 박사 과정 동안 지도와 지도를 해주신 Verena와 Beate에게 감사드립니다.
