Mi investigación tiene como objetivo mejorar la eficiencia del desarrollo de procesos en etapas tempranas con células de mamíferos en la industria biofarmacéutica mediante la aplicación de un enfoque de diseño intensificado de experimentos (iDoE). A diferencia del diseño clásico de experimentos, iDoE implica variaciones intraexperimentales de parámetros críticos de proceso (CPP). Este enfoque no solo aumenta la eficiencia de la generación de datos, sino que también permite la consideración de la dinámica temporal del proceso a través de la optimización por etapas. Sin embargo, una limitación potencial es que los ajustes previos de CPP pueden afectar (irreversiblemente) a las células y afectar su comportamiento de respuesta a los puntos de ajuste de CPP posteriores.
Para abordar esta cuestión, mi investigación se centra en el desarrollo de directrices para la planificación y evaluación de iDoE de forma robusta, teniendo en cuenta el impacto del historial del proceso. El objetivo del estudio de simulación presentado es investigar el impacto que tienen los diferentes tamaños de efecto de los términos de interacción asociados con el historial del proceso en nuestros modelos de regresión. Posteriormente, se comparan las estimaciones beta y los componentes de varianza de estos modelos para evaluar el impacto de no considerar explícitamente el historial del proceso. Esta investigación tiene el potencial de tener un impacto significativo en la industria biofarmacéutica al innovar la forma en que se realiza la optimización de procesos en el desarrollo en etapa temprana, considerando la naturaleza dinámica de estos procesos.
Hola y bienvenidos a mi breve charla que voy a dar sobre el estudio de simulación que realicé con JMP, donde simulé el impacto del historial de procesos en nuestros modelos de regresión iDoE. Permítanme comenzar con una breve introducción.
Trabajamos con bioprocesos que, por lo general, se llevan a cabo en biorreactores. En estos biorreactores, se cultivan células que luego producen nuestro producto final, que, por lo general, es un anticuerpo. Estos procesos dependen de muchos parámetros de proceso diferentes, como la temperatura, el oxígeno disuelto y muchos otros.
Por lo general, utilizaríamos el diseño de experimentos para identificar los parámetros ideales del proceso para maximizar nuestra respuesta, por ejemplo, el rendimiento de nuestro anticuerpo o la densidad de células viables que obtenemos dentro de nuestro proceso. Estos procesos se pueden dividir en diferentes etapas clásicas que son típicas de un proceso de crecimiento celular de este tipo, a saber, la fase de crecimiento, la fase de transición y la fase de producción.
En la siguiente diapositiva muestro dos curvas de crecimiento de biorreactores diferentes, la verde y la azul. Como puede ver, el biorreactor azul, en este caso, tiene tres veces el nombre del biorreactor verde. ¿En qué se diferencian? Se diferencian, como puede ver ahora, en función del perfil de temperatura que se ha ejecutado en estos respectivos procesos.
Como puede ver, la curva de crecimiento azul es mucho más alta. La densidad de células viables es mucho mayor que en el proceso verde, lo que genera este título más alto. Esto simplemente resalta que al comprender la dinámica del proceso, potencialmente podemos mejorar enormemente el rendimiento de nuestro proceso en nuestros bioprocesos.
Esta es exactamente la idea detrás del diseño intensificado de experimentos. En el diseño intensificado de experimentos, dividiríamos nuestro proceso en etapas separadas. Aquí está la etapa uno, la etapa dos y la etapa tres, y realizaríamos cambios de parámetros intraexperimentales a lo largo del tiempo.
Cambiaríamos los parámetros del proceso desde la fase de crecimiento a la de transición a la de regresión de la producción y, de ese modo, podríamos optimizar la configuración de los parámetros dentro de cada una de estas etapas separadas en lugar de tener un conjunto de parámetros que usaríamos para todo el proceso, de modo que podamos optimizar esta dinámica de proceso.
Sin embargo, un cierto desafío en este enfoque es cómo considerar adecuadamente el efecto del historial del proceso en nuestros modelos de regresión. Por ejemplo, ¿cómo influyen los parámetros del proceso de la etapa 1 en el comportamiento de respuesta de nuestras células a los cambios de los parámetros del proceso en la etapa 2 o en la etapa 3? Este es exactamente el objetivo de este estudio de simulación: investigar el impacto del historial del proceso en nuestros modelos de regresión.
¿Cómo simulé esto? Simulé los datos para un diseño intensificado de experimento con dos parámetros de proceso, en este caso, temperatura y oxígeno disuelto, y tres etapas, etapa 1, etapa 2 y etapa 3. El efecto de cada parámetro de proceso dentro de cada etapa se describe explícitamente, como puede ver aquí, temperatura 1 y oxígeno disuelto para la primera etapa, luego para la segunda etapa y para la tercera etapa. Todos estos parámetros de proceso se modelan como factores difíciles de cambiar y, al mismo tiempo, también estamos investigando la duración del cultivo como un factor fácil de cambiar, que es el componente temporal.
También tenemos el biorreactor, que se modela como un diagrama completo para tener en cuenta los desplazamientos aleatorios entre los biorreactores. Lo modelamos como un modelo lineal mixto.
¿Dónde podemos encontrar el historial del proceso dentro de esto? El historial del proceso se puede encontrar dentro de estas interacciones entre etapas, es decir, cuál es el impacto de la configuración de los parámetros del proceso de la primera etapa en el comportamiento de respuesta de nuestras células a través de los cambios de los parámetros del proceso en la segunda o tercera etapa, aquí resaltados para la temperatura en la etapa 1. Estas interacciones entre etapas se pueden utilizar para obtener una idea de la influencia del historial del proceso.
Esto me lleva a la configuración de mi simulación. Utilicé la plataforma de simulación de respuesta de JMP. Utilicé exactamente el diseño que acabo de mostrarles en estas últimas diapositivas para crear un modelo y tener una idea de cómo podrían verse potencialmente estos coeficientes beta en este modelo.
Utilicé el conocimiento de los modelos de regresión histórica para crear este modelo base. En este modelo base, destaqué las interacciones simuladas entre etapas, que utilicé para modelar el impacto del historial del proceso. Estas interacciones entre etapas son las que nos dan una idea del impacto del historial del proceso en los modelos de regresión.
Para obtener una idea visual de cómo se ven los datos, aquí tracé la densidad de células viables durante la duración del cultivo para este modelo base simulado, coloreado por el efecto de la temperatura en la etapa 1. Pero como nos interesa el impacto del historial del proceso, desvié este modelo base, creando un modelo alternativo donde varié la magnitud de estas interacciones entre etapas. Aquí puede ver que, en este caso, dupliqué los coeficientes de las interacciones entre etapas, luego los dividí a la mitad y los dividí en cuatro para simular diferentes escenarios con diferente impacto del historial del proceso.
Como puede ver en esos gráficos, también dan como resultado curvas de densidad de células viables que parecen perfectamente válidas. Utilicé estos cuatro modelos diferentes que acabo de mostrarle como efectos fijos en mis modelos lineales mixtos. También introduje un error aleatorio en el gráfico de agujeros y el error aleatorio residual. Lo que hice luego fue ajustar estos modelos.
En primer lugar, aquí puede ver que esos son todos los términos elegibles que tenía en mi modelo. Todos los términos que simulé, incluidas estas interacciones entre etapas, que utilizo como proxy para el historial del proceso. El segundo modelo que ajusté fue un modelo que no contenía estas interacciones entre etapas, por lo que no tenía forma de adaptarse al historial del proceso.
Comparé esos dos modelos en función de sus estimaciones beta, de su capacidad para estimar los coeficientes beta que conocía de mi simulación, así como los componentes de varianza. Repetí este ajuste 1000 veces y después observé las respectivas distribuciones. Esto es lo que me gustaría mostrarles a continuación en la sección de resultados.
Para darle una idea de cómo se ven realmente los datos, aquí, para una versión beta, visualicé la distribución de la estimación beta para el modelo completo con interacción entre etapas, considerando el historial del proceso, y para el modelo reducido sin interacciones entre etapas, sin considerar el historial del proceso.
Como puede ver, para interacciones entre etapas grandes multiplicadas por dos, tenemos una diferencia bastante grande entre las distribuciones de estimación beta media. Mientras que para efectos de interacción entre etapas realmente pequeños, tenemos una diferencia realmente pequeña entre las estimaciones medias de ambas distribuciones de estimación beta de estos 1000 ajustes que realicé. Estimaciones de ambas distribuciones beta, si la diferencia entre ellas es cero, significaría que las estimaciones medias de ambos modelos son las mismas.
En la siguiente diapositiva, calculé la diferencia media entre la estimación beta del modelo completo, considerando el historial del proceso, y el modelo reducido sin interacciones entre etapas, que no considera el historial del proceso.
Como podemos ver, en el caso de los grandes tamaños de efecto de estas interacciones entre etapas, hay una diferencia bastante grande en las estimaciones de beta media para el modelo completo y el modelo sin interacciones entre etapas, mientras que en el caso de los pequeños tamaños de efecto de estas interacciones entre etapas, la diferencia es realmente marginal.
Lo que me gustaría mostrarles en la siguiente diapositiva son los componentes de varianza. Nuevamente, la comparación del modelo completo, considerando el historial del proceso, considerando estas interacciones entre etapas, y podemos ver que los componentes de varianza se estiman correctamente aquí con 0,25 independientemente del tamaño del efecto de estas interacciones entre etapas. Mientras que para el modelo reducido sin interacciones entre etapas, podemos ver que tenemos una varianza de toda la parcela muy inflada en comparación con la varianza residual.
Cuanto menor sea el tamaño del efecto de estas interacciones entre etapas, más se acercarán estos componentes de varianza a los componentes de varianza simulados reales. Esta varianza inflada de toda la parcela probablemente se deba a que el modelo explica parte de esta varianza debido a los términos de interacción faltantes en el modelo inflando este término de varianza de toda la parcela.
Esto me lleva a la conclusión, y por tanto al final de mi presentación. Lo que vimos fue que para interacciones muy pequeñas entre etapas, es decir, un pequeño efecto del historial del proceso, el modelo sin interacciones entre etapas se proyecta sobre el modelo completo, que se adapta al historial del proceso. Esto significa que estas interacciones entre etapas podrían potencialmente descuidarse en el modelado.
Mientras que cuando tenemos grandes interacciones entre etapas o un alto impacto del historial de procesos, podemos ver un impacto bastante grande en la estimación beta, que se puede ver en la diferencia entre la estimación beta media del modelo completo en comparación con el modelo sin interacciones entre etapas. Esto se compensa parcialmente en el modelo sin interacciones entre etapas mediante variantes infladas de las parcelas completas.
Para dar una visión realmente breve, nos gustaría generalizar estos resultados tal vez cuantificando la magnitud de las interacciones entre etapas en comparación con las interacciones que no son entre etapas para tener una forma de compararlas con los resultados experimentales reales que esperamos obtener en el futuro.
Además, nos gustaría ampliar esta evaluación comparativa a otros enfoques de modelado, como modelos de regresión por etapas, así como utilizar el Explorador de datos funcionales para analizar datos de iDoE.
Con esto termina mi presentación. Quiero agradecerles mucho a todos por escucharme y, especialmente, a Verena y Beate por la supervisión y la guía durante mi proyecto de doctorado.
