In dieser Präsentation stellen wir eine neuartige, intern entwickelte Versuchsplanungsmethodik (Design of Experiments, DOE) vor. Sie trägt den Namen „Dynamic DOE“ und ist speziell auf zeitabhängige Versuchsplanungen in der chemischen Entwicklung unter Verwendung kinetischer Reaktionsdaten zugeschnitten. Die Entwicklung dieses innovativen Ansatzes begegnet den Herausforderungen traditioneller DOE-Methoden bei zeitkritischen chemischen Prozessen.
Wir präsentieren Vergleichsdaten, die verschiedene Versuchsplanungsdesigns und deren Leistungsfähigkeit in Kombination mit verschiedenen Regressionsverfahren vergleichen. Diese umfassende Analyse belegt die Vorteile der dynamischen Versuchsplanungsmethodik hinsichtlich Genauigkeit, Effizienz und Anpassungsfähigkeit.
Darüber hinaus präsentieren wir Anwendungsbeispiele aus der späten Phase der chemischen Entwicklung bei Boehringer Ingelheim. Diese Fallstudien veranschaulichen die erfolgreiche Implementierung der dynamischen Versuchsplanung (Dynamic DOE) in Kombination mit automatisierten Hochdurchsatz-Laborreaktoren und unterstreichen deren praktischen Nutzen sowie das Potenzial für eine breite Anwendung in der Industrie.
Nehmen Sie an unserer Veranstaltung teil, um mehr über die Fortschritte in der chemischen Entwicklung mithilfe der Dynamic DOE-Methodik zu erfahren, einer innovativen Technik, die darauf abzielt, die Art und Weise zu verändern, wie wir zeitabhängige Experimente im Feld einsetzen.
Herzlich willkommen zu unserem Vortrag auf dem JMP Discovery Summit mit dem Titel „Zeitabhängige Versuchsplanung in der chemischen Entwicklung“. Bevor ich beginne, möchte ich Ihnen kurz das Unternehmen vorstellen, für das wir arbeiten: Boehringer Ingelheim. Wir sind ein weltweit tätiges Pharmaunternehmen, das 1885 von der Familie Boehringer gegründet wurde und sich bis heute in Familienbesitz befindet, weshalb wir nicht börsennotiert sind.
Unser Geschäft konzentriert sich auf drei Bereiche: Humanpharmazeutika, unser größtes Geschäftsfeld, Tiergesundheit und ein kleineres Biopharma-Geschäft. Weltweit beschäftigen wir über 50.000 Mitarbeiter an 16 Standorten. 2022 erzielten wir einen Umsatz von fast 25 Milliarden Euro. Jonas und ich arbeiten beide in der chemischen Entwicklung und entwickeln chemische Prozesse für klinische Studien und die spätere Markteinführung.
Konkret bedeutet das, dass wir neue chemische Synthesewege für unsere pharmazeutischen Wirkstoffe entwickeln. Wir entwickeln robuste, skalierbare und nachhaltige Prozesse, zunächst im Labormaßstab und anschließend im Pilotanlagenmaßstab und dann im Produktionsmaßstab. Dadurch liefern wir Wirkstoffe für alle klinischen Phasen von eins bis drei und generieren alle Daten, die für die spätere Marktzulassung erforderlich sind.
Da wir stets bestrebt sind, die Entwicklungszeiten zu verkürzen, um den Bedürfnissen unserer Patienten schneller gerecht zu werden, entwickeln wir aktiv neue technische und digitale Lösungen, um den Entwicklungsprozess zu beschleunigen. Kommen wir nun zu unserem Hauptziel: der Chemie. Chemie ist im Wesentlichen die Wissenschaft oder Kunst, Molekülfragmente zu kombinieren oder zu verändern, um größere und komplexere Molekülfragmente zu bilden – unsere Wirkstoffe.
Dazu nutzen wir chemische Prozesse, die aus einer Vielzahl von Parametern bestehen, die wir verändern können, beispielsweise Reagenzien, Lösungsmittel, deren Stöchiometrie sowie physikalische Parameter wie Temperatur, Zeit usw. Es handelt sich also um ein multifaktorielles Problem mit einer großen Bandbreite an Zielvariablen, die wir beeinflussen möchten.
Im Vordergrund steht stets die Prozessausbeute, daher wollen wir aus unseren Prozessen das Maximum herausholen. Gleichzeitig streben wir eine hohe Reinheit an und minimieren daher jegliche Verunreinigungen. Darüber hinaus ist uns die Reduzierung der Umweltbelastung unserer Prozesse sehr wichtig. Wir möchten daher weniger Lösungsmittel und Reagenzien verwenden und stattdessen umweltfreundliche Alternativen einsetzen.
Und schließlich, nicht zuletzt, wollen oder müssen wir robuste Prozesse entwickeln, das heißt, wir müssen sicherstellen, dass wir wissen, in welchem Bereich wir unsere Parameter variieren können, ohne die Produktqualität zu beeinträchtigen, und wir wollen in der Lage sein, einen Gestaltungsspielraum einzurichten.
Statistisch gesehen handelt es sich hierbei um ein multifaktorielles Black-Box-Optimierungsproblem mit mehreren Zielgrößen, das wir so effizient wie möglich optimieren und gleichzeitig das globale Optimum finden möchten. Offensichtlich ein idealer Anwendungsfall für die Versuchsplanung (DOE). Wir setzen DOE aktiv in verschiedenen Kontexten ein.
In frühen Phasen des Screenings nutzen wir Screening-Versuchsplanungen (DOEs), um in einem breiten Parameterspektrum die relevanten Einflussfaktoren und einen optimalen Bereich zu ermitteln. Anschließend optimieren wir mithilfe von DOEs und Response-Surface-Designs (RSDs) den optimalen Bereich und das globale Optimum. Schließlich, im Hinblick auf die Marktzulassung, charakterisieren wir unsere Prozesse erneut mithilfe effizienter DOEs, um alle Parameter hinsichtlich ihres möglichen Einflusses auf die Wirkstoffqualität zu untersuchen.
Die Versuchsplanung (DOE) ist eine hervorragende Methode. Wir schätzen sie sehr, sind aber auf einige Herausforderungen gestoßen. Zunächst einmal die Robustheit des Versuchsdesigns, insbesondere beim Screening von DOEs. Häufig stellen wir fest, dass die Grenzwerte für die Einflussfaktoren von unseren Experten im Labor nicht korrekt eingestellt werden. Das heißt, der Grenzwert ist zu niedrig oder der Grenzwert zu hoch angesetzt. In diesen Fällen versagen unsere Korrekturen vollständig, oder wir befinden uns in einem instabilen Bereich, in dem wir keine stabile Reaktion erhalten.
Zweitens sind Versuchsplanungen (DOEs) hocheffizient. Dennoch benötigt man zur Optimierung eines großen Parameterbereichs in der Regel eine recht hohe Anzahl an Experimenten, insbesondere bei fortgeschrittenen Entwicklungsproblemen. Dort arbeiten wir in Laboren mit sehr großem Maßstab, was bedeutet, dass wir nicht alle Reaktionen gleichzeitig durchführen können. Zudem sind Reaktionen in diesem Maßstab recht kostspielig. Das kann mitunter problematisch sein.
Wir wollten diese Probleme angehen und verfolgten dabei verschiedene Ansätze. Zunächst einmal das Problem der Designrobustheit. Die naheliegende Lösung hierfür war, die Experimente gleichmäßiger über den gesamten Parameterbereich zu verteilen, um zu vermeiden, dass 50 % der Reaktionen fehlschlagen, falls alle Experimente entweder mit niedrigen oder hohen Parametern durchgeführt werden. Also nicht nur mit niedrigen oder hohen Parametern, sondern im mittleren Bereich des Designraums.
Um die Effizienz zu maximieren, haben wir uns von der Literatur inspirieren lassen. Chemische Prozesse werden durch chemische Geschwindigkeitsgesetze, also physikalische Differentialgleichungen, beschrieben. Das bedeutet, dass der zeitliche Verlauf einer Reaktion viele Informationen enthält. Die Idee war, diese Zeitinformationen besser in unsere Versuchsplanung (DOEs) zu integrieren, indem wir mehrere Zeitpunkte für eine Reaktion erfassen und so die vollständigen Informationen einer Reaktion nutzen und jede einzelne Reaktion optimieren.
Nicht zuletzt spielt die Automatisierung eine wichtige Rolle. Versuchsplanungen (DOEs) sind sehr repetitiv und daher ideal für einen hohen Automatisierungsgrad geeignet. Wir wollten die Durchführung von DOEs im Labor so weit wie möglich optimieren.
Damit kommen wir nun zum Projektumfang. In diesem Projekt wollten wir untersuchen, ob sich verschiedene Versuchsplanungsmethoden (DOE) zur Lösung des Problems der Designrobustheit eignen. Außerdem wollten wir herausfinden, ob unterschiedliche DOE-Methoden bei der Verwendung dieser neuen kinetischen Daten effizienter sind.
Zweitens, die Regressionsmethodik. Offensichtlich möchten wir eine neue Art von Daten einbeziehen und wollten herausfinden, ob verschiedene Regressionsmethoden besser funktionieren als andere.
Drittens: Wie viele Daten werden benötigt? Lässt sich die Anzahl der für ein Versuchsdesign (DOE) erforderlichen Experimente reduzieren? Und schließlich, natürlich: Wie lässt sich dieser Ansatz automatisiert in unsere Labore integrieren?
Als wir all diese möglichen Kombinationen auswerten wollten, stießen wir recht früh auf das Problem der Benchmark-Daten. Natürlich benötigen wir Daten, um verschiedene Kombinationen zu testen. Allein bei einem Versuchsplan (DOE) mit neun verschiedenen Versuchsdesigns, jeweils 18 Reaktionen und 10 Messzeitpunkten pro Reaktion, ergibt sich eine sehr hohe Anzahl an durchzuführenden DOEs, und selbst bei einer noch höheren Anzahl an Reaktionen wären entsprechend viele weitere Versuche nötig. Wir kamen auf 25.000 Reaktionen.
Das ist für uns offensichtlich nicht machbar. Wir können nicht so viele Experimente durchführen. Daher mussten wir einen anderen Ansatz finden. Wir haben uns wieder darauf besonnen, dass chemische Reaktionen durch das zugrunde liegende Geschwindigkeitsgesetz bestimmt werden, also durch eine Differentialgleichung, mit der man den chemischen Prozess mehr oder weniger genau beschreiben kann. Und genau das nutzen wir.
Wir untersuchten eine chemische Reaktion, maßen die Kinetik und leiteten daraus das Geschwindigkeitsgesetz ab. Wir hatten somit eine Art computergestütztes Modell einer spezifischen Reaktion. Mithilfe dieses Geschwindigkeitsgesetzes konnten wir nun die Ergebnisse verschiedener Versuchsreihen (DOEs) simulieren. Wir führten zahlreiche Versuchsreihen durch, untersuchten verschiedene Versuchsreihentypen und nutzten das Geschwindigkeitsgesetz, um den Reaktionsverlauf zeitabhängig zu simulieren.
Wir haben für eine Reaktion zahlreiche Messwerte zu verschiedenen Zeitpunkten berechnet. Das Ergebnis sehen Sie hier. Wir erhalten aussagekräftige kinetische Profile. Diese unterscheiden sich deutlich von Reaktionen mit gutem Verlauf bis hin zu Reaktionen, bei denen gar nichts passiert. Die Daten wurden anschließend in eine Standard-JMP-Tabelle übertragen, um Ihnen einen Eindruck von deren Struktur zu vermitteln. Wir haben einfach alle Experimente übereinandergelegt.
Experiment 1 umfasst drei Messzeitpunkte. Die Einflussfaktoren bleiben gleich, lediglich die Zeit und die daraus resultierende Ausbeute variieren. Mit diesem Ansatz konnten wir nun eine In-silico-Analyse durchführen. Selbstverständlich mussten wir experimentelle Reaktionen als Grundlage verwenden. Wir wählten zwei verschiedene Reaktionstypen aus, die hier dargestellt sind.
Die erste Reaktion ist eine reagenzvermittelte Kupplung. Was bedeutet das genau? Wir haben zwei Substrate (grün dargestellt). Substrat A wird durch das Reagenz aktiviert. Es bildet sich ein aktivierter Komplex. Dieser Komplex reagiert dann ebenfalls mit unserem Ausgangsmaterial und bildet das Produkt. Die Bildung einer Verunreinigung ist hier grau dargestellt.
In dieser Reaktion untersuchten wir fünf verschiedene Parameter: Temperatur, stöchiometrische Konzentration und Zeit. Das zweite Beispiel ist eine enzymatische Reaktion, bei der wir ebenfalls zwei Substrate koppeln. Substrat A wird durch das Enzym aktiviert und bildet einen aktivierten Komplex. Substrat A wird durch ein chemisches Reagenz aktiviert, wobei Produkt und Verunreinigung entstehen.
Insgesamt haben wir vier verschiedene Reaktionen generiert, zwei davon mit Produktbildung und zwei mit Ausbeute. Daraus ergeben sich insgesamt vier verschiedene Datensätze.
Anschließend richteten wir einen Workflow in JSL ein. Dieser Workflow bestand aus zwei Teilen. Im ersten Teil wählten wir verschiedene Versuchsdesigns (DOEs) aus und stellten diese mit unterschiedlicher Anzahl an Reaktionen zusammen. Dabei untersuchten wir alle Kombinationen von sechs bis 24 Reaktionen pro DOE. Wir analysierten außerdem die Anzahl der Probenahmezeitpunkte für jede einzelne Reaktion. Hierbei testeten wir verschiedene Werte von drei bis zwölf Proben pro Reaktion.
Wir haben die Versuchsplanung (DOEs) durchgeführt und die Reaktion mithilfe unserer vorab angepassten kinetischen Geschwindigkeitsgesetze simuliert. Anschließend haben wir alle Daten mit verschiedenen Regressionsverfahren in JMP Pro analysiert. Dabei haben wir nicht nur unterschiedliche Regressionsverfahren getestet, sondern auch verschiedene Stufen von normalem Rauschen zu den Messdaten hinzugefügt, um zu prüfen, ob Rauschen die Kombination aus Regressionsmethode und Versuchsplanungstyp beeinflusst.
Die erhaltenen Modelle wurden anschließend anhand eines externen Validierungsdatensatzes mit 10.000 Stichproben validiert. Für jedes Modell wurde der RMSE berechnet. Um die RMSE-Werte der vier verschiedenen Datensätze vergleichen zu können, wurde der RMSE auf den RMSE eines mittleren Vorhersagemodells normiert. Anschließend wurde der mittlere RMSE für alle vier Datensätze berechnet. Dies wird auf den folgenden Folien dargestellt.
Zunächst untersuchten wir, welche Regressionsmethode sich hinsichtlich der Vorhersagegenauigkeit am besten für welchen Versuchsplantyp eignet. Für diese Untersuchung betrachteten wir stets 18 Reaktionen pro Versuchsplan mit jeweils 12 Stichproben und ohne Rauschen. Die Ergebnisse sind in dieser Heatmap dargestellt. Was lässt sich in dieser Heatmap erkennen?
Hier ist der Mittelwert der RMSE-Norm dargestellt. Die RMSE-Norm, also der Mittelwert der RMSE-Norm, bezieht sich auf vier verschiedene Reaktionen. Auf der Y-Achse sind die verschiedenen Versuchsplanungsarten (DOE) abgebildet, die wir untersucht haben, und auf der X-Achse die Regressionsverfahren.
Kommen wir zunächst zu den DOE-Designs. Im unteren Bereich sind die klassischeren Designtypen dargestellt, also D-optimal und I-optimal. Die vielen grauen oder dunkelorangefarbenen Bereiche deuten darauf hin, dass die finalen Modelle keine gute Leistung erbringen.
Bei raumfüllenden Designs, bei denen die Punkte gleichmäßiger verteilt sind und der gesamte Parameterraum genutzt wird, ist die Leistung jedoch deutlich besser und konstanter. Insbesondere schnelle, flexible, uniforme und lateinische Hypercube-Designs zeigen viele grüne oder hellgelbe Bereiche.
Was die Regressionsverfahren angeht, so sehen wir im Wesentlichen drei verschiedene Techniken, die sehr gut funktionieren. Da wäre zunächst die funktionale Datenanalyse, was nicht wirklich überraschend ist, da diese Art der Analyse speziell für die Analyse dynamischer Daten entwickelt wurde. Das hatten wir erwartet.
Zweitens erzielen Boosted Neural Networks in Kombination mit IMSE-optimalen Designs sehr gute Ergebnisse. Der Spitzenreiter und konstant beste Performer auf allen vier Datensätzen ist jedoch die Gaußprozessregression. Wir untersuchten zwei Varianten: die schnelle und die normale Version. Sie schneiden deutlich besser ab als alle anderen Regressionsverfahren. Das hat uns überrascht, ist aber andererseits erfreulich, da sich Gaußprozesse in JMP Pro sehr einfach anpassen lassen.
Sie funktionieren am besten mit Fast Flexible-, Latin Hypercube- oder Uniform-Designs. Wir haben eine Kombination aus Regressionstechnik und Designtyp identifiziert, die sich als optimal erwiesen hat, und wollten diese nun genauer analysieren.
Zunächst wollten wir wissen, wie viele Reaktionen tatsächlich nötig sind, um Vorhersagemodelle zu erhalten, und welchen Einfluss die Probenahme zu mehreren Zeitpunkten für jede Reaktion hat. Beginnen wir mit der Frage nach der benötigten Anzahl an Reaktionen.
In dieser Grafik ist erneut der Mittelwert der RMSE-Norm in Abhängigkeit von der Anzahl der Experimente pro Versuchsplanung dargestellt. Das Ergebnis ist wenig überraschend: Je mehr Reaktionen durchgeführt werden oder je größer die Versuchsplanungen sind, desto besser ist die Modellleistung. Auffällig ist jedoch, dass bei den gelb dargestellten Gruppen ab etwa 20 Reaktionen ein Plateau für die vier Reaktionen zu beobachten ist – ein Phänomen, das auch in der Realität auftritt.
Normalerweise ist das Vierfache der Anzahl der untersuchten Parameter ein guter Indikator für die Anzahl der Experimente, die für leistungsstarke Modelle durchgeführt werden sollten. Bei der in Grau dargestellten funktionalen Datenanalyse und den in Grün dargestellten Boosted Neural Networks ist kein Plateau erkennbar. Daher sollten hier mehr Experimente durchgeführt werden als in der Grafik dargestellt.
Die nächste Frage war: Verbessert die Stichprobenentnahme bei Versuchsreihen die Modellleistung tatsächlich? Die gelbe Linie für den Gaußprozess (fettgedruckt) zeigt den Anwendungsfall mit 12 Proben pro Reaktion im Vergleich zur gestrichelten Linie mit nur drei Proben pro Reaktion. Es ist kein Unterschied erkennbar, was bedeutet, dass die Stichprobenentnahme die Modellleistung nicht verbessert. Das war für uns ziemlich enttäuschend.
Bei der funktionalen Datenanalyse und dem neuronalen Netzwerk zeigt sich jedoch ein Unterschied. Dort führten 12 Stichproben zu einer verbesserten Modellleistung. Im zweiten Schritt wollten wir untersuchen, ob Rauschen diese Analyse beeinflusst. Bisher hatten wir stets rauschfreie Daten analysiert, was für unsere Laboranwendung nicht realistisch ist. Wir wollten daher herausfinden, welche Versuchsreihen die Ergebnisse beeinflussen. Und tatsächlich: Es gibt einen Einfluss.
Wir sehen nun deutlich den Unterschied zwischen zwölf Proben pro Reaktion und nur drei Proben pro Reaktion (gestrichelte Linie). Das bedeutet, dass wir durch die Verwendung von mehr Proben pro Reaktion die Leistung unserer Modelle steigern oder den Einfluss von Rauschen auf die Gesamtleistung verringern können. Das ist eine sehr gute Nachricht, da die Entnahme von mehr Proben pro Reaktion keine zusätzlichen Kosten verursacht.
Das erhalten wir quasi kostenlos. Das ist eine einfache Möglichkeit, die Modellleistung zu steigern, ohne dafür bezahlen zu müssen. Dasselbe gilt für Boosted Neural Networks und die funktionale Datenanalyse. In allen Analysen schnitten GPs jedoch stets deutlich besser ab als alle anderen Kombinationen. Gut, wir konnten also in dieser ersten Analyse zeigen, dass GPs in Kombination mit Space-Filling-Designs gut zu funktionieren scheinen.
Die Frage war jedoch, ob sie im Vergleich zu herkömmlichen Ansätzen tatsächlich besser funktionieren. Deshalb haben wir diese Ansätze ebenfalls simuliert. Wir haben zwei verschiedene Ansätze entwickelt. Der erste Ansatz basiert auf der Vorhersage der Zeit ohne Probenahme, also einem klassischen Versuchsplanungsansatz (DOE), bei dem die Zeit als normaler Einflussfaktor berücksichtigt wird. Das bedeutet, dass wir pro Reaktion nur eine Probe zu einem bestimmten Zeitpunkt entnehmen.
Der zweite Ansatz wäre die Vorhersage ohne Probenahme und mit festem Zeitpunkt, d. h. die Einrichtung eines Versuchsdesigns (DOE) ohne Berücksichtigung der Zeit. Wir erstellten ein DOE-Modell für einen spezifischen Zeitpunkt während unserer Reaktion. Auch diese Ansätze simulierten wir für alle Kombinationen von Regressionsmethoden mit verschiedenen Versuchsdesigns. Die Ergebnisse wurden in diesem Fall für 18 Reaktionen mit 12 Proben und ohne Rauschen dargestellt.
Was sehen Sie ganz links? Wir zeigen unseren neuen dynamischen DOE-Ansatz, und ja, GPs in Kombination mit raumfüllenden Versuchsplänen funktionieren am besten. Der zweite Ansatz, bei dem die Zeit als normaler Faktor berücksichtigt wird (also nur eine Probe pro Reaktion), ist vergleichbar gut. Interessanterweise erzielen GPs und raumfüllende Versuchspläne auch hier die besten Ergebnisse. Zu guter Letzt der Ansatz ohne jegliche Zeitvorhersage. Ein DOE-Modell für einen bestimmten Zeitpunkt ist hier am besten geeignet. Das ist nicht wirklich überraschend.
Überraschenderweise scheinen Gaußprozesse in Kombination mit raumfüllenden Versuchsdesigns die besten Ergebnisse zu liefern, was insofern überraschend ist, als dies ein Standardverfahren der Versuchsplanung ist. Im zweiten Schritt wollten wir erneut den Einfluss von Rauschen untersuchen, da dies unser letztes Ziel war. Die dabei beobachteten Ergebnisse waren sehr erfreulich. Unser dynamisches Versuchsplanungsverfahren erzielt nun im Vergleich zu allen anderen Ansätzen die besten Ergebnisse.
Bei der Verwendung der Zeit als normalem Faktor versagen Versuchsplanungen (DOEs) völlig. Wir erhalten keine Vorhersagemodelle, die ein Mittelwertmodell übertreffen. Selbst ein speziell für einen einzelnen Zeitpunkt erstelltes DOE-Modell ist schlechter als unser dynamischer DOE-Ansatz. Dies zeigt deutlich, dass die Verwendung mehrerer Zeitpunkte für eine Reaktion die Modellleistung erheblich verbessert, insbesondere bei verrauschten Daten. Damit bin ich am Ende meines Vortrags angelangt und übergebe das Wort an Jonas.
Großartig. Danke, Robert. Nun möchte ich die Implementierung dieses dynamischen DOE-Ansatzes innerhalb der chemischen Entwicklung bei BI aus technischer und praktischer Sicht erläutern und die Leistungsfähigkeit dieses Ansatzes anhand einer Beispielreaktion aus dem Entwicklungsportfolio von BI aufzeigen.
Zunächst wurde die experimentelle Durchführung in einem konventionellen Nasslabor unserer Labore begonnen. Dies ist die gängigste Einrichtung für ein organisches Labor, in dem Reaktionen in einem typischen Glasreaktor oder Glaskolben durchgeführt werden, wobei jeweils nur eine Reaktion gleichzeitig erfolgen kann. Alle Schritte, einschließlich der Probenahme, werden manuell durchgeführt.
Dieser Ansatz begrenzt jedoch nicht nur den Reaktionsdurchsatz, sondern führt aufgrund unterschiedlicher Bediener und Geräte auch zu Abweichungen in den generierten Daten. Daher haben wir uns für ein halbautomatisches System entschieden, das einzelne Reaktionen wie die Dosierung oder Probenahme automatisiert.
Obwohl einige Schritte noch manuell durchgeführt werden und jeweils nur eine Reaktion möglich ist, beschleunigt dieser Ansatz dennoch den Gesamtdurchsatz und erhöht die Reproduzierbarkeit der verallgemeinerten Daten aufgrund der Harmonisierung einiger Arbeitsschritte. Dadurch werden Umsatz und Reproduzierbarkeit weiter gesteigert sowie die Entwicklungszeiten verkürzt oder verkürzt, um den Bedürfnissen der Patienten schneller gerecht zu werden.
Wir haben uns für ein vollautonomes System entschieden, das chemische Reaktionen komplett selbstständig und ohne menschliches Eingreifen durchführt und durch Parallelisierung zusätzlich beschleunigt wird. Dank harmonisierter Verfahren und Geräte ist die Reproduzierbarkeit gewährleistet. Die Funktionsweise dieses Systems wird auf den folgenden Folien erläutert. Ein kurzer technischer Einblick in diese Plattform.
Es handelt sich um ein vollautonomes System, das parallele Experimente im 100-Milliliter-Maßstab mit jeweils variierenden Reaktionsbedingungen durchführen kann. Mit diesem System lässt sich die Reaktionskinetik präzise nach den jeweiligen Anforderungen aufzeichnen. Somit ermöglicht das Gesamtsystem die zuverlässige Durchführung dynamischer Versuchsplanungen (Dynamic DOE) und liefert hochgradig reproduzierbare Daten.
Das System verfügt über sechs 100-Milliliter-Edelstahlreaktoren im vorderen Bereich, die beheizbar und kühlbar sind und unter Inertgasatmosphäre gesteuert werden können, um die Reaktionen durchzuführen. Für die Vorbereitung der Reaktionen und den Betrieb der Reaktoren stehen Werkzeuge zur Verfügung, mit denen Flüssigkeiten und Feststoffe direkt in die Reaktoren dosiert werden können.
Das Flüssigkeitshandhabungssystem kann auch zur Probenahme, Probenvorbereitung und Injektion der Proben in Analysegeräte verwendet werden. Beide Systeme dosieren alle benötigten Substanzen direkt in die Reaktoren, wo dann die Reaktionen stattfinden.
Dies ist der operative Aufbau zur Realisierung des gesamten dynamischen DOE-Workflows anhand eines Beispiels aus dem Entwicklungsportfolio der Business Intelligence. Wie ist das dynamische DOE-Verfahren aufgebaut? Zunächst wird die Auswahl der relevanten Faktoren auf Basis der Ergebnisse getroffen, die Robert Ihnen soeben gezeigt hat. Wir entscheiden uns für ein Latin-Hypercube-Screening, das es uns ermöglicht, den Parameterraum mit einer überschaubaren Anzahl von Einzelläufen ausreichend abzudecken.
Wie Robert bereits erwähnte, führen wir üblicherweise drei bis vier Experimente pro Parameter durch. Im Beispiel der Reaktion wären das mit diesen Grenzwerten zehn Faktoren. Wir begannen mit 30 Durchläufen und erstellten ein Latin-Hypercube-Design. Anschließend wurde ein separates Design für die Probenahmezeitpunkte entwickelt. Diese werden pseudozufällig über die gesamte Reaktionsdauer verteilt, um zu vermeiden, dass jede Reaktion zum gleichen Zeitpunkt beprobt wird, was zu einer Überrepräsentation dieser Zeitpunkte führen würde.
Um späteres Overfitting zu vermeiden, bevorzugen wir eine gleichmäßige Datenverteilung über die gesamte Reaktionsdauer. In diesem Beispiel betrug die Reaktionsdauer 185 Minuten und wurde in 10 Stichproben mit jeweils 18,5-minütigen Zeitfenstern unterteilt. Zusätzlich definierten wir Einschränkungen, um zu kurze Abstände zwischen den Stichproben zu vermeiden, und wählten ein schnelles und flexibles Fülldesign.
Anschließend werden beide Versuchsdesigns kombiniert und die Einzelmessungen anhand ihrer Abtastzeiten gestapelt, wie Robert bereits gezeigt hat. Da dies sehr aufwendig und klickintensiv ist, haben wir eine JMP-Anwendung entwickelt, die all diese Schritte automatisiert. Sie ermöglicht die Eingabe oder das Hinzufügen von Faktoren wie der Temperatur, das Festlegen der unteren und oberen Faktorgrenzen, die Spezifizierung des Versuchsdesigns für die relevanten Parameter sowie die Angabe der Anzahl der Zeitpunkte, der Anzahl der Messungen und der minimalen und maximalen Reaktionszeit. All diese Schritte werden nun im Hintergrund ausgeführt.
Wir erhalten zwei Tabellen: eine mit den Versuchsreihen und ihren Bedingungen und eine, die alle Versuchsreihen inklusive der Probenahmezeiten enthält. Beide Tabellen können nun verwendet werden, um das Versuchsdesign auf der eben gezeigten Roboterplattform durchzuführen. Die Ergebnisse werden in die Tabellen eingetragen. Die zuvor vorgeschlagenen oder definierten Zeitpunkte werden dann durch die tatsächlichen Zeitpunkte ersetzt, die aufgrund technischer Gegebenheiten bei der Durchführung der Reaktionen geringfügig abweichen können.
Gleiches gilt für die Reaktionstemperatur. Nachdem diese Tabellen vollständig mit allen Ergebnissen ausgefüllt wurden, einschließlich der Umwandlung von Ausgangsmaterialien in Produkt und der Bildung von Nebenprodukten.
Wir können nun zur Regression dieses gesamten Prozesses übergehen, um Modelle zu erhalten, die den zugrunde liegenden Prozess hinreichend vorhersagen oder beschreiben, und um Vorhersageformeln zu erhalten, die es uns ermöglichen, eine Designraumanalyse durchzuführen, die ich Ihnen am Beispiel einer Suzuki-Reaktion zeigen möchte, die Teil eines der aktuellen Entwicklungsprojekte des BI war und eine sehr häufige Reaktion für pharmazeutische Chemieprozesse ist.
Diese Reaktion beinhaltet die katalytische Umwandlung zweier Ausgangsmaterialien mit einem Palladiumkatalysator in ein Produkt. In diesem Fall entstand aus einem Ausgangsmaterial ein Nebenprodukt, und unter den gegebenen katalytischen Bedingungen bildeten sich aus beiden Ausgangsmaterialien zwei weitere Nebenprodukte.
Der dynamische DOE-Ansatz wurde angewendet, um die Reaktionsbedingungen zu optimieren und die Robustheit des Prozesses zu untersuchen. Wie bereits gezeigt, wurden in 30 Versuchen 10 Faktoren untersucht und pro Reaktion 10 Proben entnommen. Deren Wert wurde mittels HPLC analysiert und der jeweilige Flächenprozentsatz für die Analyse verwendet. Dies sind die Faktoren und ihre Grenzwerte, wie ich bereits im JMP-Fenster dargestellt habe.
Nach dem Aufbau und der Durchführung dieses Experiments, nach dem Aufbau dieses gesamten dynamischen Versuchsdesigns und der Durchführung der Reaktionsanalyse des Experiments, erhalten wir eine Datentabelle, die wie folgt aussieht.
Wir verfügen über die Faktoren, alle Messzeitpunkte sowie die finalen Ergebnisse und die Analysedaten. Damit können wir eine Gaußprozessregression durchführen, die es uns ermöglicht, die Modellqualität zu untersuchen, die Signifikanz der Faktoren zu analysieren und – ganz wichtig – den Einfluss der einzelnen Faktoren auf die Ergebnisse sowie deren Wechselwirkungen zu untersuchen.
Wir sehen, dass die Zeit, ebenso wie die Temperatur, einen erheblichen Einfluss auf den Umsatz und die Bildung von Verunreinigungen hat. Wir definieren die Zielsetzungen: Wir maximieren die Produktbildung und minimieren gleichzeitig das Auftreten von Nebenprodukten und Ausgangsmaterialien. Durch die Optimierung der Reaktionsbedingungen erhalten wir optimale Bedingungen, bei denen wir einen besonders günstigen Zeitpunkt, eine optimale Reaktion und eine optimale Temperatur finden.
Aus den Vorhersageformeln der Regression lässt sich ein zweiter Profiler erstellen, der eine Designraumanalyse ermöglicht. Diese hilft, Faktorgrenzen zu identifizieren, innerhalb derer der zugrunde liegende Prozess Ergebnisse innerhalb der Spezifikationsgrenzen liefert. Dazu müssen zunächst die Spezifikationsgrenzen für alle Zielgrößen festgelegt werden. Nach Erstellung einer Zufallstabelle und deren Verbindung mit dem Designraum-Profiler wird ein Diagramm angezeigt, das die Bereiche bzw. Faktorbereiche darstellt, in denen der Prozess Ergebnisse liefert.
In diesem Fall würden 80 % der Ergebnisse zu InSpec-Ergebnissen werden. Es zeigt sich, dass bestimmte Faktoren in einem sehr breiten Bereich anwendbar sind, wie beispielsweise Kaliumcarbonat, das Isopropanolvolumen, die Temperaturrampe oder der Ligand. Andererseits gibt es Faktoren, die in einem sehr spezifischen Bereich liegen müssen, um zu InSpec-Ergebnissen zu führen.
Natürlich ist dies zeitabhängig, da der Umsatz erst nach einer bestimmten Reaktionszeit ausreichend hoch wird. In diesem Fall scheint die Temperatur eine sehr wichtige Rolle zu spielen. Dies ermöglicht es uns einerseits, die Reaktionsbedingungen zuverlässig zu optimieren und die Robustheit des Prozesses innerhalb kürzester Zeit zu untersuchen. Mit nur 30 Experimenten erhalten wir ausreichend Informationen über 10 Parameter, um verlässliche Aussagen über den zugrunde liegenden Prozess treffen zu können.
Zusammenfassend lässt sich sagen, dass wir Ihnen das Methodenscreening auf Basis von In-silico-Daten zur chemischen Reaktionsgeschwindigkeitsanalyse vorgestellt haben. Mithilfe dieser In-silico-Daten wurde die Kombination verschiedener Versuchsdesigns und Regressionsmethoden evaluiert. Das Ergebnis: Die beste Kombination besteht aus Gaußprozessen und raumfüllenden Versuchsdesigns.
Dieser Ansatz wurde bei BI als Standardmethode für die DOE-basierte Optimierung chemischer Reaktionen in der chemischen Entwicklung implementiert.
Für die experimentelle Durchführung des statistischen Ansatzes werden robotergestützte autonome Systeme eingesetzt. Der Nutzen dieses Ansatzes wurde an einer Reaktion aus einem der aktuellen Entwicklungsprojekte von BI demonstriert. Dabei erwies er sich als effiziente und sehr genaue Methode zur Reaktionsoptimierung und zur Überprüfung der Prozessrobustheit.
Damit möchten wir uns für Ihre Aufmerksamkeit und die Möglichkeit bedanken, diese Ergebnisse hier präsentieren zu dürfen.
