In questa presentazione, presentiamo una nuova metodologia di progettazione degli esperimenti (DOE) sviluppata internamente. Denominata "DOE dinamica", è specificamente studiata per DOE dipendenti dal tempo nello sviluppo chimico, utilizzando dati di reazione cinetica. Lo sviluppo di questo approccio innovativo affronta le sfide che i metodi DOE tradizionali presentano quando si tratta di processi chimici sensibili al tempo.
Presentiamo dati di benchmark che confrontano diversi progetti DOE e le loro prestazioni in combinazione con varie tecniche di regressione. Questa analisi completa dimostra i vantaggi della metodologia DOE dinamica in termini di accuratezza, efficienza e adattabilità.
Inoltre, presentiamo esempi di applicazioni concrete provenienti dalle fasi avanzate di sviluppo chimico presso Boehringer Ingelheim. Questi casi di studio illustrano l'implementazione di successo della tecnica Dynamic DOE in combinazione con reattori di laboratorio automatizzati ad alta produttività, evidenziandone i vantaggi pratici e il potenziale per un'adozione diffusa nel settore.
Unisciti a noi per scoprire di più sui progressi nello sviluppo chimico attraverso la metodologia Dynamic DOE, una tecnica innovativa che mira a cambiare il modo in cui utilizziamo esperimenti dipendenti dal tempo sul campo.
Benvenuti a tutti al nostro JMP Discovery Summit Talk dal titolo "Progettazione di esperimenti dipendente dal tempo nello sviluppo chimico". Prima di iniziare, qualche parola sull'azienda per cui lavoriamo, Boehringer Ingelheim. Siamo un'azienda farmaceutica globale, fondata nel lontano 1885 dalla famiglia Boehringer e, ancora oggi, a conduzione familiare, quindi non quotata in borsa.
La nostra attività si concentra su tre aree: innanzitutto, il settore farmaceutico per uso umano, che è il nostro business più grande, poi la salute animale e infine una piccola attività biofarmaceutica. A livello mondiale, abbiamo oltre 50.000 dipendenti distribuiti in 16 sedi in tutto il mondo. Nel 2022, abbiamo realizzato un fatturato di quasi 25 miliardi di euro. Oltre a ciò, Jonas e io lavoriamo entrambi nello sviluppo chimico e sviluppiamo processi chimici per la fornitura di studi clinici e, successivamente, per il mercato.
Più in dettaglio, ciò significa che sviluppiamo nuovi percorsi chimici per sintetizzare i nostri principi attivi farmaceutici. Sviluppiamo processi solidi, scalabili e sostenibili, prima in laboratorio e poi su scala pilota e poi su scala industriale. In questo modo, forniamo il principio attivo per tutte le fasi cliniche, dalla prima alla terza, e generiamo tutti i dati necessari per la successiva immissione sul mercato.
Mentre cerchiamo sempre di accelerare i tempi per soddisfare più rapidamente le esigenze dei pazienti, sviluppiamo attivamente nuove soluzioni tecniche e digitali per accelerare il processo di sviluppo. Detto questo, arriviamo al nostro obiettivo principale: la chimica. La chimica è più o meno la scienza o l'arte di combinare o modificare frammenti molecolari per costruire frammenti molecolari più grandi e complessi, che sono, infine, il nostro principio attivo.
Per farlo, abbiamo processi chimici che consistono in una grande quantità di parametri che possiamo modificare, ad esempio reagenti, solventi, la stechiometria di tutti questi elementi, e poi parametri fisici, come temperatura, tempo, eccetera. Si può osservare un problema multifattoriale con una gamma piuttosto ampia di variabili target che vogliamo influenzare.
L'aspetto più importante è sempre la resa del processo, quindi vogliamo ottenere il massimo dai nostri processi. Allo stesso tempo, vogliamo ottenere un buon livello di purezza, quindi vogliamo ridurre le impurità che potrebbero formarsi. Inoltre, siamo fortemente interessati a ridurre l'impatto ambientale dei nostri processi. Quindi vogliamo utilizzare meno solventi, meno reagenti. Vogliamo utilizzare solventi e reagenti ecologici, e così via.
E poi, ultimo ma non meno importante, vogliamo, o dobbiamo, sviluppare processi solidi, il che significa che dobbiamo assicurarci di sapere in quale intervallo possiamo variare i nostri parametri senza compromettere la qualità del prodotto e vogliamo essere in grado di impostare uno spazio di progettazione.
Statisticamente parlando, questo può essere considerato un problema di ottimizzazione multifattoriale multi-risposta di tipo "black box", che vogliamo ottimizzare nel modo più efficiente possibile, assicurandoci di trovare il nostro ottimo globale. Ovviamente, un caso d'uso perfetto per il DOE. Stiamo utilizzando attivamente il DOE in diversi contesti.
Nelle fasi iniziali, quando si tratta di screening, utilizziamo DOE di screening per individuare in modo efficiente, in un'ampia gamma di parametri, i parametri di influenza e un possibile punto ottimale. Successivamente, passiamo all'ottimizzazione, con DOE Response Surface Designs, per individuare davvero il punto ottimale e l'optimum globale. Successivamente, quando si tratta di presentare il farmaco al mercato, caratterizziamo i nostri processi utilizzando, ancora una volta, DOE piuttosto efficienti per analizzare tutti i parametri in relazione a una possibile influenza sulla qualità del farmaco.
Il DOE è un'ottima metodologia. Ci piace molto, ma presenta alcune sfide che abbiamo incontrato. Innanzitutto, la robustezza del progetto, soprattutto quando si tratta di screening dei DOE. Ciò che vediamo spesso è che le impostazioni "alto-basso" per i parametri di influenza non sono impostate correttamente dai nostri esperti in laboratorio, il che significa che "basso" è stato impostato troppo basso, o "alto" è stato impostato troppo alto, il che significa che con queste impostazioni le nostre correzioni falliscono completamente, oppure stiamo operando in una regione instabile in cui non otteniamo una risposta stabile.
In secondo luogo, i DOE sono altamente efficienti. Tuttavia, se si considera di ottimizzare un'ampia gamma di parametri, si tende a richiedere un numero piuttosto elevato di esperimenti, soprattutto per i problemi di sviluppo avanzato, poiché in laboratorio si lavora su larga scala, il che significa che non è possibile eseguire più reazioni contemporaneamente e, inoltre, le reazioni sono piuttosto costose su quella scala. Questo a volte rappresenta un problema.
Volevamo affrontare questi problemi e volevamo affrontarli con più soluzioni. Innanzitutto, il problema della robustezza del progetto. La soluzione ovvia a questo problema era che, se è un problema eseguire tutti gli esperimenti con impostazioni basse o alte, la soluzione per evitare che il 50% delle reazioni fallisca è semplicemente distribuire gli esperimenti in modo più uniforme sull'intero intervallo di parametri. Quindi non solo su valori bassi e alti, ma piuttosto al centro dello spazio di progettazione.
Per massimizzare l'efficienza, ci siamo ispirati alla letteratura. I processi chimici sono governati da leggi di velocità chimiche, quindi da equazioni differenziali fisiche. Ciò significa che nell'andamento temporale di una reazione si trovano molte informazioni, e l'idea era di integrare meglio queste informazioni temporali nei nostri DOE, campionando più punti temporali per una reazione, utilizzando così tutte le informazioni di una reazione e massimizzando ciascuna di esse.
Ultimo ma non meno importante, l'automazione. I DOE sono altamente ripetitivi e quindi il candidato perfetto per un'automazione di alto livello. Volevamo cercare di ottimizzare il più possibile la conduzione dei DOE in laboratorio.
Detto questo, passiamo all'ambito del nostro progetto. In questo progetto, volevamo indagare se fosse possibile utilizzare diversi tipi di DOE per affrontare questo problema di robustezza del progetto. Inoltre, se i diversi tipi di DOE fossero più efficienti nell'utilizzo di questi nuovi dati cinetici.
In secondo luogo, la metodologia di regressione. Ovviamente, volevamo incorporare un nuovo tipo di dati e volevamo verificare se diverse metodologie di regressione funzionassero meglio di altre.
Terzo, quanti dati sono necessari. Possiamo ridurre la quantità di esperimenti necessari per condurre un DOE? Ultimo ma non meno importante, ovviamente, come portare questo approccio nei nostri laboratori in modo automatizzato.
Quando abbiamo voluto valutare tutte queste possibili combinazioni, ci siamo subito imbattuti nel problema dei dati di riferimento. Ovviamente, abbiamo bisogno di dati per provare diverse combinazioni. Se si considera un solo DOE, se si vogliono considerare nove diversi tipi di progettazione, 18 reazioni ciascuno, con 10 punti temporali per reazione, si ottiene un numero piuttosto elevato di DOE da eseguire, con un numero ancora maggiore di reazioni da eseguire. Siamo arrivati a 25.000 reazioni.
Ovviamente, per noi non è fattibile. Non possiamo condurre così tanti esperimenti. Pertanto, dobbiamo trovare un approccio diverso. Siamo tornati al fatto che le reazioni chimiche sono governate dalla legge di velocità sottostante, quindi da un'equazione differenziale con cui è possibile descrivere il processo chimico in modo più o meno esatto. E la usiamo.
Abbiamo preso una reazione chimica, ne abbiamo misurato la cinetica e risolto questa legge di velocità. Avevamo una rappresentazione più o meno in silico di una specifica reazione. Ora, utilizzando questa legge di velocità, siamo stati in grado di simulare l'esito di diversi DOE utilizzando la nostra legge di velocità chimica. Abbiamo semplicemente eseguito molti DOE diversi, selezionato diversi tipi di DOE e utilizzato la legge di velocità per calcolare l'esito della reazione in base al tempo.
Abbiamo calcolato molte risposte per più punti temporali per una reazione. E il risultato lo potete vedere qui. Otteniamo ottimi profili cinetici. Variano in modo significativo da reazioni che funzionano bene a reazioni in cui non accade nulla. Questi dati sono stati poi trasferiti in una normale tabella JMP, per darvi un'idea di come appaiono queste tabelle. Abbiamo semplicemente impilato tutti gli esperimenti.
L'esperimento 1 consiste in tre punti temporali. I nostri parametri di influenza sono gli stessi, cambia solo il tempo e la nostra risposta in questo esempio di resa varia. Con questo approccio, siamo stati in grado di eseguire un approccio in silico. Ovviamente, abbiamo dovuto utilizzare alcune reazioni sperimentali come base. Abbiamo selezionato due diversi tipi di reazione, illustrati qui.
La prima reazione è un accoppiamento mediato da reagenti. Cosa significa? Abbiamo due substrati mostrati in verde. Il substrato A viene attivato dal reagente. Si forma un complesso attivato. Questo complesso reagisce poi anche con il nostro materiale di partenza, formando il prodotto. La formazione di impurezze è qui rappresentata in grigio.
In questa reazione, abbiamo studiato cinque diversi parametri: temperatura, concentrazione stechiometrica e tempo. Il secondo esempio è una reazione enzimatica, in cui, ancora una volta, accoppiamo due substrati. Il substrato A viene attivato dall'enzima, formando un complesso attivato. Il substrato due viene attivato da un reagente chimico e si formano un prodotto e un'impurezza.
In totale, abbiamo generato quattro reazioni diverse, due delle quali formano un prodotto e due reazioni formano una resa. In totale, quattro set di dati diversi.
Abbiamo quindi impostato un flusso di lavoro in JSL. Il flusso di lavoro consisteva in due parti. La prima parte consisteva nella selezione di diversi DOE, compilando tali DOE con un diverso numero di reazioni. Lì abbiamo esaminato tutto ciò che andava da sei reazioni per DOE a 24 reazioni per DOE. Abbiamo studiato diversi numeri di punti temporali campionati per ogni singola reazione. Lì abbiamo provato tutto, da tre campioni per reazione a 12 campioni per reazione.
Abbiamo impostato i DOE. Abbiamo simulato la risposta utilizzando le nostre leggi di velocità cinetica pre-adattate, quindi abbiamo preso tutti quei dati e li abbiamo regrediti con diverse tecniche di regressione disponibili in JMP Pro. Lì non solo abbiamo provato diverse tecniche di regressione, ma abbiamo anche aggiunto diversi livelli di rumore normale alla nostra risposta per verificare se il rumore influenzasse la combinazione della metodologia di regressione con il tipo di DOE.
I modelli ottenuti sono stati quindi validati utilizzando un set di validazione esterno composto da 10.000 campioni. Abbiamo calcolato l'RMSE per ciascun modello. Quindi, per poter confrontare gli RMSE tra i nostri quattro diversi set di dati, abbiamo normalizzato l'RMSE normalizzandolo all'RMSE di un modello di previsione della media. Abbiamo quindi calcolato l'RMSE medio per tutti e quattro i diversi set di dati. Questo è ciò che mostriamo nelle prossime slide.
Per prima cosa, abbiamo iniziato a studiare quale metodologia di regressione funzionasse meglio con quale tipo di DOE in termini di prestazioni di previsione. Per questo esercizio, consideriamo sempre 18 reazioni per DOE con 12 campioni per reazione, senza rumore. I risultati sono visibili in questa mappa termica. Cosa si può osservare in questa mappa termica?
Qui è rappresentata graficamente la media della norma RMSE. La norma RMSE, ovvero la media della norma RMSE, rappresenta quattro diverse reazioni. Sull'asse Y, potete vedere i diversi tipi di DOE che abbiamo studiato, mentre sull'asse X potete vedere le tecniche di regressione.
Passiamo innanzitutto ai progetti DOE. Nella parte inferiore sono mostrati i tipi di progetto più classici, ovvero D-ottimale e I-ottimale. Si nota molto grigio o arancione scuro, il che significa che i modelli finali non hanno prestazioni soddisfacenti.
Tuttavia, passando ai progetti Space Filling, dove si ha una distribuzione più uniforme dei punti e l'intero spazio dei parametri, osserviamo prestazioni molto migliori e molto più costanti. In particolare, i progetti Fast Flexible, Uniform e Latin Hypercube mostrano molto verde o giallo chiaro.
Passando alle tecniche di regressione, ne vediamo più o meno tre diverse che funzionano piuttosto bene. Innanzitutto, l'analisi funzionale dei dati, e questo non sorprende, dato che questo tipo di analisi è stato specificamente progettato per analizzare dati dinamici. Era qualcosa che ci aspettavamo.
In secondo luogo, le reti neurali potenziate (Boosted Neural Networks) funzionano molto bene in combinazione con i design IMSE Optimal. Tuttavia, la tecnica di regressione con processo gaussiano (GP) che ha ottenuto le migliori prestazioni, in modo costante e costante, su tutti e quattro i set di dati. Abbiamo studiato due diverse tipologie di regressione, la versione veloce e quella normale. Hanno prestazioni significativamente migliori rispetto a tutte le altre tecniche di regressione. Questo ci ha sorpreso molto, ma d'altra parte è stato un vantaggio, dato che le GP vengono adattate molto facilmente in JMP Pro.
Come potete vedere, funzionano meglio con i design Fast Flexible, Latin Hypercube o Uniform. Abbiamo identificato una combinazione di tecnica di regressione e tipo di design che sembra funzionare meglio, e ora vogliamo analizzarla più in dettaglio.
Innanzitutto, volevamo sapere quante reazioni sono realmente necessarie per ottenere modelli predittivi e quale fosse l'influenza del campionamento di più punti temporali per ogni reazione. Analizziamo innanzitutto la parte relativa al numero di reazioni necessarie.
In questo grafico, si può nuovamente osservare la media della norma RMSE rispetto, in questo caso, al numero di esperimenti per DOE. Ciò che si osserva non è poi così sorprendente. Più reazioni si eseguono o più grandi sono i DOE, migliori saranno le prestazioni del modello. Tuttavia, ciò che si può osservare è che per le reazioni di controllo (GP) indicate in giallo, si osserva un plateau a partire da 20 reazioni per quelle quattro reazioni, e questo è qualcosa che osserviamo anche nella realtà.
Normalmente, un numero di parametri analizzati quattro volte superiore è un buon indicatore del numero di esperimenti da eseguire per ottenere modelli performanti. Per l'analisi dei dati funzionali (in grigio) e le reti neurali potenziate (in verde), non si osserva alcun plateau, quindi dovremmo eseguire più esperimenti di quelli rappresentati nel grafico.
La domanda successiva era: il campionamento temporale dei DOE migliora davvero le prestazioni del nostro modello? Se si osserva la linea gialla in grassetto per il processo gaussiano, viene mostrato il caso d'uso con 12 campioni per reazione rispetto alla linea tratteggiata in cui sono stati campionati solo tre campioni per reazione, e non si nota alcuna differenza, il che significa che il campionamento temporale dei DOE non migliora le prestazioni del nostro modello. Ciò è stato piuttosto deludente per noi.
Tuttavia, passando ad Analisi Funzionale dei Dati e Reti Neurali, si nota una differenza. Lì, 12 campioni hanno aumentato le prestazioni del modello. Tuttavia, nella seconda fase, volevamo verificare se il rumore influenzasse questa analisi. Finora, abbiamo sempre considerato dati privi di rumore, il che non è realistico per il nostro caso d'uso di laboratorio, e volevamo vedere se i DOE influenzassero i risultati. E sì, i DOE influenzano.
Ora vediamo una netta differenza tra 12 campioni per reazione coinvolti e solo tre campioni per reazione, come indicato da una linea tratteggiata. Ciò significa che utilizzando più campioni temporali per reazione, possiamo migliorare le prestazioni dei nostri modelli o attenuare l'influenza del rumore sulle prestazioni finali del nostro modello, il che è davvero un'ottima notizia per noi, poiché prelevare più campioni per reazione NON costa nulla.
Lo otteniamo più o meno gratuitamente. È un modo semplice per migliorare le prestazioni del modello senza dover pagare nulla. Lo stesso vale per le reti neurali potenziate e l'analisi dei dati funzionali. Tuttavia, in tutte le analisi, le reti neurali potenziate si sono sempre rivelate molto migliori di qualsiasi altra combinazione. Bene, quindi in questa prima analisi abbiamo potuto dimostrare che le reti neurali potenziate in combinazione con i progetti di riempimento dello spazio sembrano funzionare bene.
Tuttavia, la domanda era: funzionano davvero meglio rispetto agli approcci convenzionali? Ecco perché abbiamo simulato anche questi approcci. Abbiamo elaborato diversi approcci. Innanzitutto, "Nessun campionamento ma previsione temporale", ovvero un classico approccio DOE, che considera il tempo come un normale fattore di influenza, il che significa che prendiamo un solo campione temporale per reazione.
Il secondo approccio sarebbe la previsione "Nessun campionamento e tempo fisso", ovvero la creazione di un DOE senza considerare il tempo. Abbiamo impostato un modello DOE per un punto temporale specifico durante la nostra reazione. Anche in questo caso, abbiamo simulato questi approcci per tutte le combinazioni di metodologie di regressione con tipologie di progetto. Anche in questo caso, abbiamo tracciato un grafico per 18 reazioni con 12 campioni e nessun rumore.
Cosa vedete all'estrema sinistra? Mostriamo il nostro nuovo approccio DOE dinamico e, sì, i GP in combinazione con i progetti di riempimento dello spazio funzionano meglio. Il secondo approccio, il tempo come fattore normale, quindi un solo campione per reazione, funziona altrettanto bene. È interessante notare che anche in questo caso i GP e i progetti di riempimento dello spazio funzionano meglio. Ultimo ma non meno importante, l'approccio "Nessuna previsione temporale". Un modello DOE per un punto temporale specifico funziona meglio. Non c'è da stupirsi.
Ciò che sorprende anche in questo caso è che i GP in combinazione con gli Space Filling Design sembrano funzionare meglio, il che è sorprendente poiché si tratta di un approccio DOE standard. Il secondo passaggio, ancora una volta, ha voluto indagare l'influenza del rumore, poiché è l'ultimo aspetto che vogliamo ottenere. Ciò che abbiamo osservato qui è stato molto positivo. Ora il nostro approccio DOE dinamico funziona meglio rispetto a tutti gli altri approcci.
Considerando il tempo come fattore normale, i DOE non sono affatto performanti. Non otteniamo modelli predittivi che superino un modello medio. Persino un modello DOE creato appositamente per un singolo punto temporale è meno valido del nostro approccio DOE dinamico, il che dimostra chiaramente che l'utilizzo di più punti temporali per una singola reazione migliora notevolmente le prestazioni del modello, soprattutto quando si tratta di dati rumorosi. Con questo, ho concluso la mia parte e voglio passare la parola a Jonas.
Ottimo. Grazie, Robert. Ora vorrei illustrare l'implementazione di questo approccio DOE dinamico nell'ambito dello sviluppo chimico presso BI da una prospettiva tecnica e pratica, oltre a mostrare le prestazioni di questo approccio su una reazione di esempio tratta dal portfolio di sviluppo di BI.
Innanzitutto, la realizzazione sperimentale è iniziata in un laboratorio umido convenzionale nei nostri laboratori, che è la configurazione più convenzionale per un laboratorio di analisi organiche, dove le reazioni vengono condotte in un tipico reattore o pallone di vetro, dove è possibile condurre una reazione alla volta. Ogni fase è eseguita manualmente, incluso il campionamento della reazione.
Tuttavia, questo approccio non solo limita la produttività delle reazioni, ma crea anche deviazioni nei dati generati a causa della diversità degli operatori e delle attrezzature. Pertanto, abbiamo optato per un sistema semi-automatico che automatizza singole reazioni, come il dosaggio o il campionamento della reazione.
Sebbene alcuni passaggi vengano ancora eseguiti manualmente e possa essere eseguita una sola reazione alla volta, questo approccio accelera comunque l'intera produttività e aumenta la riproducibilità dei dati generalizzati grazie all'armonizzazione di alcune operazioni, oltre ad aumentare ulteriormente il turnover e la riproducibilità, nonché ad aumentare o ridurre i tempi di sviluppo per soddisfare più rapidamente le esigenze dei pazienti.
Abbiamo optato per un sistema completamente autonomo in grado di condurre reazioni chimiche in completa autonomia, senza interazioni umane o manuali, e ulteriormente accelerato grazie alla parallelizzazione. La riproducibilità è garantita grazie a procedure e apparecchiature armonizzate. Il funzionamento di questo sistema è illustrato nelle prossime slide. Un breve approfondimento tecnico su questa piattaforma.
Si tratta di un sistema completamente autonomo in grado di condurre esperimenti paralleli su scala di 100 millilitri, modificando le condizioni di reazione per tutti gli esperimenti paralleli. Questo sistema ci consente di registrare la cinetica di reazione nel modo richiesto dalla reazione specifica. Pertanto, l'intero sistema consente una conduzione DOE dinamica affidabile e dati affidabili e altamente riproducibili.
Il sistema è dotato di sei reattori in acciaio inossidabile da 100 millilitri nella parte anteriore, riscaldabili, raffreddabili e manovrabili in atmosfera inerte per condurre le reazioni. Per impostare le reazioni e far funzionare questi reattori, disponiamo di strumenti di manipolazione di liquidi e solidi per erogare reazioni, solventi e reagenti direttamente nei reattori.
Il sistema di gestione dei liquidi può essere utilizzato anche per prelevare i campioni, prepararli e iniettarli negli strumenti analitici. Entrambi gli strumenti erogano direttamente tutte le sostanze necessarie nei reattori, dove poi avvengono le reazioni.
Questa è la configurazione operativa per la realizzazione dell'intero flusso di lavoro Dynamic DOE, con un esempio tratto dal portfolio di sviluppo di BI. Innanzitutto, come viene configurato il Dynamic DOE? Innanzitutto, la progettazione dei fattori di interesse viene creata sulla base dei risultati che Robert vi ha appena mostrato. Optiamo per uno screening dell'ipercubo latino che ci consente di coprire sufficientemente lo spazio dei parametri con un numero ragionevole di singole esecuzioni.
Come ha detto Robert, di solito optiamo per tre o quattro esperimenti per parametro. Nell'esempio della reazione, si tratterebbe di 10 fattori con questi limiti. Abbiamo iniziato con 30 esecuzioni e impostato un disegno di tipo "Ipercubo Latino". Successivamente, viene creato un disegno separato per i tempi di campionamento. I tempi di campionamento sono distribuiti in modo pseudo-casuale sull'intera durata della reazione per evitare di campionare ogni reazione nello stesso istante temporale, il che porterebbe a una sovrarappresentazione di tali istanze.
Successivamente, per l'overfitting, abbiamo optato per un panorama di dati uniformemente distribuito sull'intera durata della reazione. In questo caso di esempio, la durata della reazione è stata di 185 minuti, suddivisi in 10 campioni con finestre di 18,5 minuti. Inoltre, abbiamo definito dei vincoli per evitare tempi di campionamento troppo ravvicinati e impostato un design di riempimento rapido e flessibile.
Successivamente, entrambi i progetti vengono combinati e le singole esecuzioni vengono sommate in base ai rispettivi tempi di campionamento, come già mostrato da Robert. Poiché si tratta di un lavoro molto noioso e che richiede molti clic, abbiamo creato un'app JMP che si occupa di tutti questi passaggi e consente di inserire fattori come la temperatura o di aggiungerne altri, impostare i limiti minimo e massimo dei fattori, specificare il progetto per i parametri di interesse, specificare il numero di punti temporali, il numero di esecuzioni, il tempo di reazione minimo e massimo, e tutti questi passaggi vengono ora eseguiti in background.
Alla fine abbiamo due tabelle, una che include le esecuzioni e le relative condizioni, e una che distribuisce o distribuisce ogni esecuzione, inclusi i tempi di campionamento. Entrambe possono essere utilizzate per condurre questa DOE sulla piattaforma robotica che vi ho appena mostrato. Nelle tabelle, i risultati saranno compilati. I punti temporali suggeriti o definiti in precedenza vengono quindi sostituiti con i punti temporali effettivi, che possono variare leggermente per motivi tecnici di conduzione delle reazioni.
Lo stesso vale per la temperatura di reazione. Dopo aver compilato completamente le tabelle con tutti i risultati, inclusa la conversione dei materiali di partenza in prodotto e la formazione di sottoprodotti.
Possiamo ora passare alla regressione dell'intero processo per ottenere modelli che prevedano o descrivano in modo sufficiente il processo sottostante e ottenere formule di previsione che ci consentano di eseguire un'analisi dello spazio di progettazione, che vorrei mostrarvi sull'esempio di una reazione di Suzuki, che faceva parte di uno degli attuali progetti di sviluppo del BI, ed è una reazione molto comune nei processi di chimica farmaceutica.
Questa reazione prevede la trasformazione catalitica di due materiali di partenza con un catalizzatore al palladio in un prodotto. In questo caso, un sottoprodotto è stato formato da un materiale di partenza e, in quelle condizioni catalitiche, altri due sottoprodotti sono stati formati da entrambi i materiali di partenza.
L'approccio DOE dinamico è stato applicato per selezionare le condizioni di reazione ottimali e valutare la robustezza del processo. Come mostrato in precedenza, sono stati analizzati 10 fattori in 30 cicli e sono stati prelevati 10 campioni per reazione, il cui valore è stato analizzato tramite HPLC e la rispettiva percentuale di area è stata calcolata per l'analisi. Questi sono i fattori e i loro limiti, come ho già mostrato nella finestra JMP.
Dopo aver impostato e condotto questo esperimento, dopo aver impostato l'intero DOE dinamico e aver condotto l'analisi delle reazioni dell'esperimento, ci ritroviamo con una tabella di dati che appare come questa.
Abbiamo i fattori, abbiamo tutti i punti temporali e abbiamo anche le risposte finali e i dati analitici. Con questi, possiamo effettuare una regressione gaussiana, che ci permette di indagare la qualità del modello e di studiare la significatività dei fattori, ma soprattutto di studiare l'influenza dei singoli fattori sulle risposte e le loro interazioni.
Possiamo osservare che, naturalmente, il tempo ha un impatto molto significativo, così come la temperatura, sulla conversione e sulla formazione di impurità. Definendo la desiderabilità, vogliamo massimizzare la formazione del prodotto e ovviamente minimizzare la presenza di sottoprodotti e materiali di partenza. Possiamo ottimizzare le condizioni di reazione, che a loro volta portano a condizioni ottimali, dove possiamo osservare di avere un punto temporale, una reazione e una temperatura molto favorevoli.
Dalle formule di previsione ottenute dalla regressione, possiamo quindi creare un secondo profiler, che ci consente di eseguire un'analisi dello spazio di progettazione. Questo ci aiuta a identificare i limiti fattoriali in cui il processo sottostante fornirebbe risultati InSpec. Per fare ciò, dobbiamo prima specificare i limiti di specifica per tutte le risposte. Dopo aver creato una tabella casuale e averla collegata a questo profiler dello spazio di progettazione, possiamo ottenere un grafico che mostra in quali intervalli o intervalli fattoriali il processo fornisce risultati.
In questo caso, l'80% dei risultati diventerebbe InSpec, e possiamo osservare che ci sono fattori che possono essere applicati su un intervallo molto ampio, come il carbonato di potassio, il volume di isopropanolo, la rampa di temperatura in questo caso o il legante. D'altra parte, ci sono fattori che devono essere mantenuti in un intervallo molto specifico per diventare risultati InSpec.
Naturalmente, questo è un problema di tempo, perché la conversione diventa sufficientemente elevata solo dopo un tempo di reazione specifico. In questo caso, la temperatura sembra essere molto sensibile. Questo ci consente, da un lato, di ottimizzare in modo affidabile le condizioni di reazione e di studiare la robustezza del processo in un lasso di tempo molto breve, conducendo solo 30 esperimenti per ottenere informazioni sufficienti su 10 parametri, il che ci consente quindi di formulare affermazioni affidabili sul processo sottostante.
Con questo, riassumerò che vi abbiamo mostrato lo screening del metodo basato su dati in silico generati dalla perdita di velocità chimica. Questi dati in silico sono stati utilizzati per valutare la combinazione di diverse tipologie di progettazione e metodi di regressione, che alla fine hanno portato alla conclusione che la combinazione più performante è quella tra processi gaussiani e progetti di riempimento dello spazio.
Questo approccio è stato implementato come metodo standard per l'ottimizzazione basata sul DOE delle reazioni chimiche nello sviluppo chimico presso BI.
Per la conduzione sperimentale dell'approccio statistico vengono utilizzati sistemi robotici autonomi e i vantaggi di questo approccio sono stati dimostrati in una reazione di uno degli attuali progetti di sviluppo della BI, dimostrando che si tratta di un metodo efficiente e molto accurato per l'ottimizzazione della reazione e lo screening della robustezza del processo.
Con questo, vorremmo ringraziarvi per l'attenzione e per la possibilità di mostrare o presentare qui questi risultati.
