본 발표에서는 자체 개발한 새로운 실험 설계(DOE) 방법론을 소개합니다. "동적 DOE"라고 명명된 이 방법론은 반응 속도 데이터를 활용한 화학 개발 분야의 시간 의존적 DOE에 특화되어 있습니다. 이 혁신적인 접근 방식은 시간에 민감한 화학 공정을 다룰 때 기존 DOE 방법론이 직면하는 문제점을 해결합니다.
본 연구에서는 다양한 실험설계(DOE) 방식과 여러 회귀 분석 기법을 결합하여 성능을 비교하는 벤치마크 데이터를 제시합니다. 이러한 종합적인 분석을 통해 동적 실험설계(DOE) 방법론이 정확성, 효율성 및 적응성 측면에서 우수한 장점을 가지고 있음을 입증합니다.
또한, 본 논문에서는 베링거인겔하임의 후기 화학 개발 단계에서 얻은 실제 적용 사례를 소개합니다. 이러한 사례 연구는 고처리량 자동화 실험실 반응기와 결합된 동적 실험 설계(Dynamic DOE) 기법의 성공적인 구현을 보여주며, 이 기법의 실질적인 이점과 산업 전반에 걸친 광범위한 도입 가능성을 강조합니다.
저희와 함께 동적 실험 설계법(Dynamic DOE)을 통해 화학 물질 개발의 발전 과정을 알아보세요. 이 혁신적인 기법은 현장에서 시간 의존적 실험을 활용하는 방식을 바꾸고자 합니다.
안녕하세요 여러분, JMP 디스커버리 서밋 토크에 오신 것을 환영합니다. 오늘 발표 주제는 "화학 개발에서의 시간 의존적 실험 설계"입니다. 시작하기 전에 저희가 함께 일하는 회사인 베링거 인겔하임에 대해 간단히 소개드리겠습니다. 저희는 1885년 베링거 가문에 의해 설립된 글로벌 제약 회사이며, 현재까지도 가족 소유 기업으로 운영되고 있어 주식 시장에 상장되어 있지 않습니다.
저희 회사는 크게 세 가지 사업 분야에 집중하고 있습니다. 첫째는 인체 의약품 사업으로 가장 큰 비중을 차지하고 있으며, 둘째는 동물 건강 사업, 셋째는 소규모 바이오 의약품 사업입니다. 전 세계 16개 사업장에 5만 명 이상의 직원이 근무하고 있으며, 2022년에는 약 250억 유로의 매출을 기록했습니다. 저와 요나스는 화학 개발 분야에서 임상 연구 및 이후 시장 출시를 위한 화학 공정을 개발하고 있습니다.
좀 더 자세히 설명하자면, 이는 당사가 활성 의약품 성분을 합성하기 위한 새로운 화학적 경로를 개발한다는 것을 의미합니다. 당사는 견고하고 확장 가능하며 지속 가능한 공정을 개발하여 먼저 실험실에서 검증한 후, 파일럿 플랜트 규모로, 그리고 최종적으로 플랜트 규모로 확대합니다. 이러한 과정을 통해 임상 1상부터 3상까지 모든 임상 단계에 필요한 의약품 원료를 공급하고, 향후 시장 출시에 필요한 모든 데이터를 생성합니다.
저희는 항상 환자의 요구를 더 빠르게 충족하기 위해 개발 일정을 단축하려고 노력하며, 개발 과정을 가속화할 수 있는 새로운 기술 및 디지털 솔루션을 적극적으로 개발하고 있습니다. 이제 저희의 핵심 목표인 화학에 대해 이야기해 보겠습니다. 화학은 분자 조각들을 결합하거나 변형하여 더 크고 복잡한 분자 조각들을 만들어내는 과학이자 예술이며, 이것이 바로 저희의 활성 성분입니다.
이를 위해 우리는 시약, 용매, 이러한 물질들의 화학량론, 그리고 온도, 시간 등의 물리적 매개변수 등 우리가 변경할 수 있는 수많은 매개변수로 구성된 화학적 공정을 가지고 있습니다. 따라서 우리가 영향을 미치고자 하는 목표 변수의 범위가 상당히 넓은 다인자적 문제를 볼 수 있습니다.
무엇보다 중요한 것은 공정 수율이므로, 공정을 통해 최대한 많은 양을 얻고자 합니다. 동시에 높은 순도를 유지하기 위해 불순물 생성을 최소화해야 합니다. 또한, 공정이 환경에 미치는 영향을 줄이는 데에도 큰 관심을 가지고 있습니다. 따라서 용매와 시약 사용량을 줄이고, 친환경 용매와 시약을 활용하는 등 환경 보호에 힘쓰고 있습니다.
그리고 마지막으로 중요한 것은, 우리는 견고한 프로세스를 개발해야 한다는 것입니다. 즉, 제품 품질에 영향을 미치지 않고 매개변수를 변경할 수 있는 범위를 파악해야 하며, 설계 공간을 설정할 수 있어야 합니다.
통계적으로 볼 때, 이는 다요인 다반응 블랙박스 최적화 문제로 간주될 수 있으며, 우리는 전역 최적값을 찾으면서 가능한 한 효율적으로 최적화하고자 합니다. 이는 실험계획법(DOE)을 적용하기에 완벽한 사례입니다. 우리는 다양한 분야에서 DOE를 적극적으로 활용하고 있습니다.
초기 단계에서는 스크리닝 실험계획법(DOE)을 사용하여 광범위한 변수 범위에서 영향 요인과 최적점을 효율적으로 찾아냅니다. 이후에는 최적화 단계로 넘어가 반응 표면 설계(Response Surface Designs)를 활용한 DOE를 통해 최적점과 전역 최적값을 도출합니다. 최종적으로 시판 허가를 준비하는 단계에서는, 의약품 원료 품질에 영향을 미칠 수 있는 모든 변수를 효율적으로 스크리닝하기 위해 다시 한번 DOE를 사용하여 공정 특성을 분석합니다.
실험계획법(DOE)은 훌륭한 방법론입니다. 저희도 매우 좋아하지만, 몇 가지 어려움에 직면했습니다. 우선, 설계의 견고성, 특히 스크리닝 실험계획법에서 문제가 됩니다. 실험실 전문가들이 영향 변수의 상한/하한값을 제대로 설정하지 않는 경우가 종종 있습니다. 즉, 하한값이 너무 낮게 설정되거나 상한값이 너무 높게 설정되어 보정이 완전히 실패하거나, 안정적인 반응을 얻지 못하는 불안정한 영역에서 작동하는 것입니다.
둘째로, 실험계획법(DOE)은 매우 효율적입니다. 하지만, 다양한 매개변수를 최적화하려면 상당한 수의 실험이 필요하며, 특히 후기 개발 단계의 문제일수록 더욱 그렇습니다. 후기 개발 단계에서는 실험실 규모가 매우 크기 때문에 모든 반응을 동시에 수행할 수 없고, 또한 대규모 반응은 비용도 많이 듭니다. 이것이 때때로 문제가 됩니다.
우리는 이러한 문제들을 해결하고 싶었고, 여러 가지 방법을 통해 해결하고자 했습니다. 우선, 설계의 견고성 문제였습니다. 이 문제에 대한 명확한 해결책은, 모든 실험을 낮은 설정이나 높은 설정에서만 수행할 경우, 반응의 50%가 실패할 수 있다는 문제를 피하기 위해 실험을 전체 매개변수 범위에 걸쳐 보다 균등하게 분산시키는 것이었습니다. 즉, 낮은 설정과 높은 설정뿐 아니라 설계 공간의 중간 지점에서도 실험을 수행하는 것입니다.
효율성을 극대화하는 것에서 우리는 문헌에서 영감을 얻었습니다. 화학 반응은 화학 반응 속도 법칙, 즉 물리적 미분 방정식에 의해 지배됩니다. 다시 말해, 반응의 시간 경과에는 많은 정보가 담겨 있으며, 우리의 아이디어는 이러한 시간 정보를 실험 설계(DOE)에 더 잘 통합하는 것이었습니다. 즉, 하나의 반응에 대해 여러 시점에서 샘플링함으로써 하나의 반응에 대한 모든 정보를 활용하고 각 반응의 효율을 극대화하는 것입니다.
마지막으로 자동화입니다. 실험계획법(DOE)은 반복성이 매우 높기 때문에 고도의 자동화에 매우 적합합니다. 우리는 실험실에서 실험계획법 수행을 최대한 최적화하고자 했습니다.
그럼 이제 프로젝트 범위에 대해 알아보겠습니다. 본 프로젝트에서는 설계 견고성 문제를 해결하기 위해 다양한 실험 설계(DOE) 유형을 활용할 수 있는지, 그리고 새로운 반응 속도 데이터를 사용할 때 어떤 DOE 유형이 더 효율적인지 조사하고자 했습니다.
둘째, 회귀 분석 방법론입니다. 당연히 우리는 새로운 유형의 데이터를 도입하고 싶었고, 다양한 회귀 분석 방법론 중에서 어떤 것이 더 효과적인지 알아보고 싶었습니다.
셋째, 필요한 데이터의 양은 얼마나 될까요? 하나의 실험 설계(DOE)를 수행하는 데 필요한 실험 횟수를 줄일 수 있을까요? 마지막으로, 당연히 이 접근 방식을 자동화된 방식으로 연구실에 도입하는 방법은 무엇일까요?
가능한 모든 조합을 평가하려고 했을 때, 우리는 곧바로 벤치마크 데이터 문제에 직면했습니다. 당연히 다양한 조합을 시도하려면 데이터가 필요합니다. 하나의 실험 설계(DOE)만 보더라도, 9가지 설계 유형, 각 유형당 18개의 반응, 그리고 반응당 10개의 시간 지점을 고려한다고 가정하면, 수행해야 할 실험 설계의 수가 상당히 많아지고, 반응의 수도 훨씬 더 많아집니다. 결국 우리는 25,000개의 반응을 고려해야 했습니다.
그건 분명히 우리에게는 불가능한 일입니다. 그렇게 많은 실험을 진행할 수는 없으니까요. 그래서 다른 접근 방식을 찾아야 했습니다. 화학 반응은 근본적인 속도 법칙, 즉 화학 반응을 비교적 정확하게 설명할 수 있는 미분 방정식에 의해 지배된다는 사실로 돌아왔고, 우리는 그 방정식을 이용했습니다.
우리는 화학 반응을 선택하고 반응 속도를 측정하여 속도 법칙을 도출했습니다. 이를 통해 특정 반응 하나를 컴퓨터 시뮬레이션으로 어느 정도 재현할 수 있었습니다. 이제 이 속도 법칙을 이용하여 다양한 실험 설계(DOE)의 결과를 시뮬레이션할 수 있었습니다. 여러 가지 DOE를 수행하고, 다양한 유형의 DOE를 검토한 후, 속도 법칙을 활용하여 시간에 따른 반응 결과를 예측했습니다.
우리는 하나의 반응에 대해 여러 시점에서 다양한 반응을 계산했습니다. 그리고 그 결과는 여기에서 볼 수 있습니다. 우리는 훌륭한 반응 속도 프로파일을 얻었습니다. 이 프로파일은 반응이 잘 진행되는 경우부터 아무런 반응이 일어나지 않는 경우까지 상당히 다양하게 나타납니다. 이 데이터는 일반 JMP 표로 옮겨졌고, 표가 어떻게 생겼는지 보여드리기 위해 모든 실험 결과를 표로 정리했습니다.
첫 번째 실험은 세 시점으로 구성됩니다. 영향을 미치는 변수는 동일하며, 시간만 변하고 이 예시에서는 반응 수율이 달라집니다. 이러한 접근 방식을 통해 컴퓨터 시뮬레이션을 수행할 수 있었습니다. 당연히 실험 반응을 기반으로 삼아야 했고, 여기에 나타낸 두 가지 유형의 반응을 선택했습니다.
첫 번째 반응은 시약 매개 커플링입니다. 이것이 의미하는 바는 무엇일까요? 녹색으로 표시된 두 개의 기질이 있습니다. 기질 A는 시약에 의해 활성화됩니다. 활성화된 복합체가 형성됩니다. 이 복합체는 출발 물질과도 반응하여 생성물을 형성합니다. 회색으로 표시된 부분은 불순물의 생성을 나타냅니다.
이 반응에서는 온도, 화학량론적 농도, 시간이라는 다섯 가지 변수를 조사했습니다. 두 번째 예는 효소 반응으로, 여기에서도 두 가지 기질이 결합합니다. 기질 A는 효소에 의해 활성화되어 활성 복합체를 형성합니다. 기질 두 번째는 화학 시약에 의해 활성화되어 생성물과 불순물이 생성됩니다.
요약하자면, 우리는 네 가지 다른 반응을 생성했고, 그중 두 가지는 생성물이 형성되는 반응이며, 나머지 두 가지는 수율이 나타나는 반응입니다. 즉, 총 네 가지의 서로 다른 데이터 세트를 얻었습니다.
다음으로 JSL에서 워크플로우를 설정했습니다. 워크플로우는 두 부분으로 구성되었습니다. 첫 번째 부분은 다양한 실험계획법(DOE)을 선택하고, 반응 횟수가 서로 다른 DOE들을 조합하는 것이었습니다. 각 DOE당 반응 횟수를 6회에서 24회까지 다양하게 검토했습니다. 또한 각 반응에 대해 샘플링할 시간 지점의 수를 다르게 설정하여 조사했습니다. 각 반응당 샘플링 횟수를 3회에서 12회까지 다양하게 시도했습니다.
우리는 실험계획법(DOE)을 설정했습니다. 미리 적합시킨 반응 속도 법칙을 사용하여 반응을 시뮬레이션한 다음, 모든 데이터를 JMP Pro에서 제공하는 다양한 회귀 분석 기법으로 분석했습니다. 여기서 우리는 다양한 회귀 분석 기법을 시도했을 뿐만 아니라, 회귀 분석 방법과 실험계획법 유형의 조합이 잡음에 영향을 미치는지 확인하기 위해 반응에 다양한 수준의 정상 잡음을 추가했습니다.
이렇게 얻은 모델들은 10,000개의 샘플로 구성된 외부 검증 세트를 사용하여 검증했습니다. 각 모델에 대해 RMSE를 계산했습니다. 그런 다음 네 가지 데이터 세트 간의 RMSE를 비교하기 위해 평균 예측 모델의 RMSE로 정규화했습니다. 마지막으로 네 가지 데이터 세트 모두에 대한 평균 RMSE를 계산했습니다. 다음 슬라이드에서 이 결과를 보여드리겠습니다.
먼저, 예측 성능 측면에서 어떤 회귀 분석 방법이 어떤 유형의 실험 설계(DOE)에 가장 적합한지 조사했습니다. 이 분석에서는 각 실험 설계당 18개의 반응과 반응당 12개의 샘플을 사용하고 노이즈는 고려하지 않았습니다. 결과는 이 히트맵에서 확인할 수 있습니다. 이 히트맵에서 무엇을 볼 수 있나요?
여기서는 RMSE 노름 평균을 그래프로 나타냈습니다. RMSE 노름은 네 가지 다른 반응에 대한 RMSE 노름의 평균입니다. Y축에는 우리가 연구해 온 다양한 실험 설계(DOE) 유형을, X축에는 회귀 분석 기법을 나타냅니다.
먼저 DOE 설계부터 살펴보겠습니다. 아래쪽에는 D-최적 설계와 I-최적 설계와 같은 고전적인 설계 유형이 나와 있습니다. 회색이나 짙은 주황색 부분이 많은데, 이는 최종 모델의 성능이 좋지 않다는 것을 의미합니다.
하지만 점들이 더 고르게 분포되어 있고 전체 파라미터 공간을 활용하는 공간 채움형 디자인의 경우, 훨씬 더 좋고 일관된 성능을 보입니다. 특히 빠른 유연성, 균일형, 라틴 하이퍼큐브 디자인에서 녹색 또는 연한 노란색이 많이 나타납니다.
회귀 분석 기법을 살펴보면, 크게 세 가지 기법이 상당히 효과적입니다. 첫 번째는 함수형 데이터 분석인데, 이는 동적 데이터 분석을 위해 특별히 고안된 분석 방식이기 때문에 그다지 놀라운 결과는 아닙니다. 예상했던 바입니다.
둘째, 부스팅 신경망은 IMSE 최적 설계와 조합했을 때 상당히 좋은 성능을 보였습니다. 하지만 네 가지 데이터셋 모두에서 일관되게 최고의 성능을 보인 것은 가우시안 프로세스 회귀였습니다. 우리는 빠른 버전과 일반 버전 두 가지 유형을 조사했는데, 다른 모든 회귀 기법보다 훨씬 뛰어난 성능을 보였습니다. 이는 다소 놀라운 결과였지만, JMP Pro에서 가우시안 프로세스를 쉽게 학습시킬 수 있다는 점을 고려하면 매우 고무적인 결과였습니다.
보시다시피, 이 기법들은 Fast Flexible, Latin Hypercube 또는 Uniform 디자인에서 가장 효과적입니다. 저희는 최적의 결과를 보여주는 회귀 분석 기법과 디자인 유형의 조합을 찾아냈으며, 이제 이를 더 자세히 분석하고자 합니다.
먼저, 예측 모델을 얻기 위해 실제로 필요한 반응의 수는 얼마나 되는지, 그리고 각 반응에 대해 여러 시점에서 샘플링하는 것이 어떤 영향을 미치는지 알아보고 싶었습니다. 먼저 필요한 반응의 수에 대한 부분부터 살펴보겠습니다.
이 그래프에서도 RMSE 노름 평균과 실험 설계(DOE)당 실험 횟수 간의 관계를 확인할 수 있습니다. 그래프에서 보이는 결과는 그다지 놀랍지 않습니다. 반응 횟수가 많을수록, 즉 실험 설계(DOE)의 규모가 클수록 모델 성능이 향상됩니다. 하지만 노란색으로 표시된 유전 프로그래밍(GP)의 경우, 네 가지 반응 모두 20회 반응 이후부터 성능이 정체되는 현상이 나타나는데, 이는 실제 실험에서도 관찰되는 현상입니다.
일반적으로 조사 대상 매개변수 개수의 네 배 정도가 좋은 성능을 보이는 모델을 얻기 위해 수행해야 할 실험 횟수를 가늠하는 좋은 지표입니다. 회색으로 표시된 함수형 데이터 분석과 녹색으로 표시된 부스팅 신경망의 경우, 평탄 구간이 나타나지 않으므로 이 그래프에 표시된 것보다 더 많은 실험을 수행해야 합니다.
다음 질문은 DOE의 시간 지점 샘플링이 실제로 모델 성능을 향상시키는지 여부였습니다. 굵은 노란색 선으로 표시된 가우시안 프로세스 그래프를 보면, 반응당 12개의 샘플을 사용한 경우와 점선으로 표시된 반응당 3개의 샘플만 사용한 경우를 비교하고 있는데, 차이가 전혀 보이지 않습니다. 즉, 시간 지점 샘플링 DOE는 모델 성능을 향상시키지 못한다는 뜻입니다. 이는 저희에게 상당히 실망스러운 결과였습니다.
하지만 함수형 데이터 분석과 신경망으로 넘어가면 차이가 나타납니다. 12개의 샘플을 사용했을 때 모델 성능이 향상되었습니다. 두 번째 단계에서는 노이즈가 이 분석에 영향을 미치는지 확인하고 싶었습니다. 지금까지는 항상 노이즈가 없는 데이터만 사용했는데, 이는 우리 연구실의 실제 사용 사례에는 적합하지 않습니다. 따라서 결과에 영향을 미치는 실험 설계(DOE)를 확인하고 싶었습니다. 그리고 실제로 실험 설계가 결과에 영향을 미치는 것을 확인했습니다.
이제 점선으로 표시된 것처럼 반응당 12개의 샘플을 사용하는 경우와 반응당 3개의 샘플만 사용하는 경우 사이에 명확한 차이가 있음을 알 수 있습니다. 즉, 반응당 더 많은 시점의 샘플을 사용하면 모델 성능을 향상시키거나 모델의 최종 성능에 미치는 노이즈의 영향을 줄일 수 있습니다. 반응당 더 많은 샘플을 사용하는 실험계획법(DOE)은 추가 비용이 들지 않으므로 이는 매우 좋은 소식입니다.
우리는 그걸 거의 무료로 얻습니다. 비용을 들이지 않고 모델 성능을 향상시키는 쉬운 방법이죠. 부스팅 신경망과 함수형 데이터 분석도 마찬가지입니다. 하지만 모든 분석에서 가우시안 프로세스(GP)는 다른 어떤 조합보다 훨씬 뛰어난 성능을 보였습니다. 자, 이 첫 번째 분석에서 가우시안 프로세스와 공간 채움 설계를 결합한 방식이 효과적이라는 것을 보여줄 수 있었습니다.
하지만 문제는 이러한 방법들이 기존 방식보다 실제로 더 효과적인가 하는 것이었습니다. 그래서 우리는 이러한 접근 방식들을 시뮬레이션해 보았습니다. 우리는 서로 다른 두 가지 접근 방식을 만들었습니다. 첫 번째는 샘플링 없이 시간 예측만 하는 방식인데, 이는 시간을 일반적인 영향 요인으로 고려하는 고전적인 실험계획법(DOE) 접근 방식을 의미하며, 반응당 한 시점의 샘플만 채취하는 것입니다.
두 번째 접근 방식은 샘플링 없이 고정된 시간 예측을 사용하는 것입니다. 즉, 시간을 전혀 고려하지 않고 실험계획법(DOE)을 설정하는 것입니다. 우리는 반응 과정 중 특정 시점 하나에 대한 DOE 모델을 구축했습니다. 마찬가지로, 모든 회귀 분석 방법과 설계 유형의 조합에 대해 이러한 접근 방식을 시뮬레이션했습니다. 이 경우에도 12개의 샘플과 노이즈가 없는 18개의 반응에 대해 결과를 그래프로 나타냈습니다.
맨 왼쪽에 무엇이 보이시나요? 저희는 새로운 동적 실험계획법(DOE) 접근 방식을 보여드리고 있는데, 예상대로 공간 채움 설계(Space Filling Designs)와 결합된 유전 프로그래밍(GP)이 가장 좋은 결과를 보여줍니다. 두 번째 접근 방식은 시간을 정규 변수로 사용하는 것으로, 반응당 하나의 샘플만 사용합니다. 이 방식도 비교적 좋은 결과를 보여줍니다. 흥미롭게도, 이 경우에도 유전 프로그래밍과 공간 채움 설계가 가장 효과적입니다. 마지막으로, 시간 예측을 전혀 하지 않는 접근 방식이 있습니다. 특정 시점 하나에 대한 실험계획법이 가장 좋은 결과를 보여줍니다. 이는 그리 놀라운 결과는 아닙니다.
여기서 놀라운 점은 GP와 공간 채움 설계를 결합했을 때 가장 좋은 결과를 보였다는 것입니다. 이는 표준적인 실험 설계(DOE) 접근 방식이라는 점에서 더욱 놀랍습니다. 두 번째 단계에서는 노이즈의 영향을 조사하고자 했습니다. 노이즈는 우리가 최종적으로 얻고자 하는 결과이기 때문입니다. 관찰 결과는 매우 만족스러웠습니다. 따라서 우리의 동적 실험 설계(DOE) 접근 방식이 다른 모든 접근 방식보다 가장 우수한 성능을 보였습니다.
시간을 일반적인 요인으로 고려했을 때, 실험계획법(DOE)은 전혀 효과를 발휘하지 못합니다. 평균 모델보다 우수한 예측 모델을 하나도 얻지 못했습니다. 심지어 특정 시점만을 위해 특별히 제작된 DOE 모델조차도 저희의 동적 DOE 접근 방식보다 성능이 떨어지는데, 이는 하나의 반응에 대해 여러 시점을 사용하는 것이 모델 성능을 크게 향상시킨다는 것을 명확히 보여줍니다. 특히 노이즈가 많은 데이터의 경우 더욱 그렇습니다. 이것으로 제 발표를 마치겠습니다. 요나스에게 마이크를 넘기겠습니다.
좋습니다. 감사합니다, 로버트. 이제 BI의 화학 개발 과정에서 이 동적 실험 설계(Dynamic DOE) 접근 방식을 기술적이고 실질적인 관점에서 어떻게 적용했는지 설명하고, BI의 개발 포트폴리오에 있는 한 가지 예시 반응을 통해 이 접근 방식의 성능을 보여드리겠습니다.
우선, 실험은 우리 연구실의 일반적인 습식 실험실에서 시작되었습니다. 이는 반응이 전형적인 유리 반응기나 유리 플라스크에서 진행되고 한 번에 하나의 반응만 수행할 수 있는 가장 일반적인 유기화학 실험실 환경입니다. 반응 시료 채취를 포함한 모든 단계는 수동으로 진행됩니다.
하지만 이러한 접근 방식은 반응 처리량을 제한할 뿐만 아니라, 작업자와 장비의 차이로 인해 생성된 데이터에 편차가 발생합니다. 따라서 우리는 투입이나 반응물 샘플링과 같은 개별 반응을 자동화하는 반자동 시스템을 선택했습니다.
비록 일부 단계는 여전히 수동으로 진행되고 한 번에 하나의 반응만 수행할 수 있지만, 이러한 접근 방식은 일부 작업의 표준화를 통해 전체 처리량을 가속화하고 일반화된 데이터의 재현성을 향상시키며, 회전율과 재현성을 더욱 높이고 개발 일정을 단축하여 환자의 요구를 더 빠르게 충족할 수 있도록 합니다.
저희는 사람의 개입이나 수동 조작 없이 화학 반응을 완전히 자율적으로 수행할 수 있는 완전 자율 시스템을 선택했습니다. 이 시스템은 병렬화를 통해 반응 속도를 더욱 향상시켰습니다. 또한 표준화된 절차와 장비를 통해 재현성을 확보했습니다. 이 시스템의 작동 방식은 다음 슬라이드에서 자세히 설명드리겠습니다. 이 플랫폼에 대한 간략한 기술적 설명을 드리겠습니다.
이 시스템은 100밀리리터 규모로 병렬 실험을 수행하고 모든 병렬 실험의 반응 조건을 변경할 수 있는 완전 자율 시스템입니다. 이 시스템을 통해 특정 반응에 필요한 방식으로 반응 속도를 기록할 수 있습니다. 따라서 전체 시스템은 신뢰할 수 있는 동적 실험 설계(DOE) 수행과 재현성이 높은 신뢰할 수 있는 데이터 확보를 가능하게 합니다.
이 시스템은 전면에 가열 및 냉각이 가능하고 불활성 분위기 하에서 반응을 진행할 수 있도록 제어 가능한 100밀리리터 용량의 스테인리스 스틸 반응기 6개를 갖추고 있습니다. 반응 설정 및 반응기 작동을 위해 반응물, 용매 및 시약을 반응기에 직접 투입할 수 있는 액체 및 고체 취급 도구가 제공됩니다.
액체 처리 시스템은 시료 채취, 시료 준비 및 분석 기기에 시료 주입에도 사용할 수 있습니다. 두 장비 모두 필요한 모든 물질을 반응기에 직접 투입하며, 반응기에서 반응이 진행됩니다.
현재 BI 개발 포트폴리오의 예를 통해 전체 동적 실험 설계(Dynamic DOE) 워크플로우를 구현하기 위한 운영 체제를 설명드리겠습니다. 우선 동적 실험 설계는 어떻게 구성될까요? 먼저, 관심 요인 설계는 로버트가 방금 보여드린 결과를 바탕으로 이루어집니다. 우리는 적절한 횟수의 실험 실행으로 매개변수 공간을 충분히 탐색할 수 있는 라틴 하이퍼큐브 스크리닝 방식을 선택했습니다.
로버트가 말했듯이, 우리는 보통 매개변수당 3~4번의 실험을 진행합니다. 예를 들어 반응의 경우, 이러한 제한 조건 하에서 10개의 요인이 됩니다. 우리는 30번의 실험으로 시작하여 라틴 하이퍼큐브 설계를 설정했습니다. 다음으로, 샘플링 시간에 대한 별도의 설계를 만들었습니다. 샘플링 시간은 전체 반응 지속 시간에 걸쳐 유사 난수적으로 분포되도록 하여 모든 반응을 동일한 시점에서 샘플링하는 것을 방지했습니다. 모든 시점에서 샘플링하면 특정 시점이 과도하게 대표되는 결과를 초래할 수 있기 때문입니다.
이후 과적합 문제를 방지하기 위해, 반응 시간 전체에 걸쳐 데이터가 고르게 분포되도록 했습니다. 이 예시에서는 반응 시간이 185분이었으며, 이를 18.5분 간격의 윈도우를 사용하여 10개의 샘플로 나누었습니다. 또한, 샘플링 시간이 너무 가깝지 않도록 제약 조건을 설정하고, 빠르고 유연한 데이터 수집 설계(Fast Flexible filling design)를 적용했습니다.
그 후 두 디자인을 결합하고, 로버트가 이미 보여준 것처럼 샘플링 시간을 기준으로 개별 실행 결과를 쌓습니다. 이 작업은 매우 번거롭고 클릭 횟수가 많기 때문에, 온도와 같은 요인을 입력하거나 추가하고, 요인의 하한 및 상한값을 설정하고, 관심 매개변수에 대한 디자인을 지정하고, 시간 지점 수, 실행 횟수, 최소 및 최대 반응 시간을 지정하는 등 모든 단계를 백그라운드에서 처리하는 JMP 앱을 개발했습니다.
결과적으로 두 개의 표가 생성됩니다. 하나는 실험 조건과 실행 결과를 담고 있는 표이고, 다른 하나는 샘플링 시간을 포함하여 모든 실험 결과를 나타내는 표입니다. 이 두 표를 사용하여 방금 보여드린 로봇 플랫폼에서 실험 설계를 수행할 수 있습니다. 표에는 결과가 입력됩니다. 이전에 제안되거나 정의된 시간 지점은 실제 시간 지점으로 대체되는데, 이 시간 지점은 반응 수행 과정에서 발생하는 기술적인 이유로 인해 약간의 차이가 있을 수 있습니다.
반응 온도도 마찬가지입니다. 출발 물질이 생성물로 전환되는 과정과 부산물 생성 등 모든 결과를 해당 표에 완전히 입력한 후에야 비로소 표가 완성됩니다.
이제 우리는 이 전체 프로세스에 대한 회귀 분석을 통해 기본 프로세스를 충분히 예측하거나 설명하는 모델을 얻고, 설계 공간 분석을 수행할 수 있는 예측 공식을 도출할 수 있습니다. 저는 BI의 현재 개발 프로젝트 중 하나에 포함되었던 스즈키 반응을 예로 들어 이를 보여드리고자 합니다. 스즈키 반응은 제약 화학 공정에서 매우 흔한 반응입니다.
이 반응은 팔라듐 촉매를 사용하여 두 출발 물질을 촉매 변환시켜 생성물을 얻는 반응입니다. 이 경우, 한 출발 물질로부터 하나의 부산물이 생성되었고, 이러한 촉매 조건 하에서 두 출발 물질 모두로부터 추가로 두 가지 부산물이 생성되었습니다.
동적 실험계획법(Dynamic DOE)을 적용하여 최적화된 반응 조건을 선별하고 공정의 견고성을 조사했습니다. 앞서 설명한 바와 같이, 30회의 실험을 통해 10가지 요인을 조사하고 각 반응당 10개의 샘플을 채취하여 HPLC로 분석했으며, 각 요인의 면적 백분율을 계산했습니다. 이러한 요인들과 그 한계값은 JMP 창에서 이미 보여드린 바와 같습니다.
이 실험을 설계하고 수행하고, 전체 동적 실험계획법을 구축하고, 실험의 반응 분석을 수행한 결과, 다음과 같은 데이터 표를 얻게 되었습니다.
우리는 요인들, 모든 시점의 데이터, 최종 반응 및 분석 데이터를 모두 가지고 있습니다. 이러한 자료들을 활용하여 가우시안 프로세스 회귀 분석을 수행할 수 있으며, 이를 통해 모델의 품질을 검증하고 요인의 유의성을 분석할 뿐만 아니라, 각 요인이 반응에 미치는 영향과 요인 간의 상호작용을 연구할 수 있습니다.
물론 시간, 온도, 전환율, 불순물 생성 등 여러 요인이 반응에 매우 큰 영향을 미친다는 것을 알 수 있습니다. 바람직한 결과를 얻기 위해서는 생성물 생성을 극대화하고 부산물 및 출발 물질의 생성을 최소화하는 것이 목표입니다. 이를 위해 반응 조건을 최적화하면 최적의 반응 시간, 온도, 반응 진행 상황을 나타내는 최적의 조건을 찾을 수 있습니다.
회귀 분석에서 얻은 예측 공식을 이용하여 두 번째 프로파일러를 생성하고, 이를 통해 설계 공간 분석을 수행할 수 있습니다. 이 분석은 기본 공정이 InSpec 결과를 제공하는 요인 범위를 식별하는 데 도움이 됩니다. 이를 위해서는 먼저 모든 반응에 대한 사양 한계를 지정해야 합니다. 무작위 표를 생성하고 이 설계 공간 프로파일러에 연결하면 공정이 결과를 제공하는 범위 또는 요인 범위를 보여주는 그래프를 얻을 수 있습니다.
이 경우, 결과의 80%는 InSpec으로 나타날 것이며, 탄산칼륨, 이소프로판올 부피, 이 경우의 온도 상승 속도, 리간드와 같이 매우 광범위한 범위에 적용될 수 있는 요소들이 있음을 알 수 있습니다. 반면에 InSpec 결과를 얻으려면 매우 특정한 범위 내에서 유지해야 하는 요소들도 있습니다.
물론, 이는 시간적인 요인입니다. 특정 반응 시간이 지나야 전환율이 충분히 높아지기 때문입니다. 즉, 이 경우 온도가 매우 민감한 것으로 보입니다. 이러한 특성 덕분에 우리는 매우 짧은 시간 내에 반응 조건을 최적화하고 공정의 견고성을 조사할 수 있으며, 10개의 매개변수에 대한 충분한 정보를 얻기 위해 단 30번의 실험만 수행할 수 있습니다. 이를 통해 기본 공정에 대한 신뢰할 수 있는 결론을 도출할 수 있습니다.
요약하자면, 우리는 화학적 반응 속도 감소로부터 생성된 컴퓨터 시뮬레이션 데이터를 기반으로 방법론을 선별하는 과정을 보여드렸습니다. 이 컴퓨터 시뮬레이션 데이터를 사용하여 다양한 설계 유형과 회귀 분석 방법의 조합을 평가했고, 최종적으로 가우시안 프로세스와 공간 채움 설계를 결합한 조합이 가장 우수한 성능을 보인다는 결과를 얻었습니다.
이 접근 방식은 BI에서 화학 개발 과정에서 화학 반응의 실험 설계(DOE) 기반 최적화를 위한 표준 방법으로 구현되었습니다.
통계적 접근 방식의 실험적 수행을 위해 로봇 자율 시스템이 사용되었으며, 이 접근 방식의 이점은 현재 BI의 개발 프로젝트 중 하나의 반응에 적용하여 반응 최적화 및 공정 견고성 스크리닝을 위한 효율적이고 매우 정확한 방법임을 입증했습니다.
이로써, 저희의 발표에 관심을 가져주시고 이러한 결과를 보여드릴 수 있게 해주셔서 감사드립니다.
