| Vocero |
Transcripción |
| Ana Catalina Portmann |
Hola, hoy les presentaré el poder de los datos. Esta presentación se basa en la idea de que un principio nos permitirá estudiar eficientemente los datos de más de 80 lotes de producción. |
| |
Logramos mejorar el rendimiento del producto en más de un 26 % gracias al conocimiento del proceso y al análisis estadístico. Este análisis también permite identificar los pasos clave del proceso que influyen en el rendimiento del producto. |
| |
Así que lo haré |
| |
Primero presentaremos Lonza Pharma Biotech y luego pasaremos al análisis de datos históricos. |
| |
Lonza Pharma Biotech se fundó por primera vez en 1897 y poco después se transformó |
| |
al fabricante de productos químicos. |
| |
Hoy somos uno de los principales proveedores del mundo. |
| |
a la industria farmacéutica, sanitaria y de ciencias de la vida. |
| |
Aquí en Visp, somos uno de los sitios más grandes de Lonza. |
| |
Y somos más importantes en I+D, desarrollo y fabricación. |
| |
Somos, tenemos una nueva parte de la empresa, las soluciones Ibex, donde podemos completar los ciclos biofarmacéuticos desde la etapa preclínica a la comercial, desde las sustancias farmacológicas hasta el producto farmacéutico, todo esto en un solo lugar. |
| |
Probablemente hayas oído hablar de esto últimamente en la vacuna de Moderna contra el COVID-19, |
| |
Pero no es el único producto que producimos aquí. También producimos moléculas pequeñas, biofármacos para mamíferos y microbios, principios activos farmacéuticos (API) de alta potencia, péptidos y bioconjugados, incluyendo conjugados anticuerpo-fármaco. |
| |
Ahora que ya sabes un poco más sobre Lonza, pasaré al análisis de datos históricos. |
| |
Entonces, en primer lugar, les presentaré este proceso en el que se ejecutan los 80 lotes. |
| |
Primero, la fase de fermentación, donde el microorganismo genera el producto. |
| |
Entonces el producto produce un microorganismo. |
| |
El... |
| |
producto a producir...el producto, los microorganismos |
| |
se produce (???) a partir del ADN |
| |
Durante la fermentación, se produce la lisis celular, donde se altera la membrana celular y se libera el producto y todo lo que hay en la célula. |
| |
Y tener acceso a este producto. Luego, se realiza la separación. En esta etapa, se eliminan los fragmentos celulares, como la membrana celular o el ADN. |
| |
Luego llegamos a la fase final, que se basa en tres cromatografías diferentes y permite la purificación del producto. El producto se muestra aquí en amarillo. |
| |
Parte inferior de la diapositiva. Podemos observar que, durante cada fase de la cromatografía, podemos perfilar un poco más el producto. Al final, realizamos una filtración estéril del producto. |
| |
Entonces el objetivo era aumentar el rendimiento general del proyecto y para lograrlo primero recopilamos los datos de los 80 lotes y los ordenamos de manera que pudiéramos analizarlos. |
| |
Luego realizamos el análisis de rendimiento. |
| |
Y luego discutimos el resultado con el análisis del proceso. |
| |
Con las PYMES, también los expertos en la materia. |
| |
Luego hemos visto y... pasamos al análisis de datos para la parte ascendente y realizamos esto para el análisis de la izquierda de la diapositiva. |
| |
Luego, pasamos a la fase final y nos centramos en la Cromatografía 1. Al final, extraemos una conclusión a partir de todo lo observado en el análisis y de lo que indica el experto en la materia. Finalmente, recalculamos el rendimiento. |
| |
Veamos cómo organizamos nuestros datos. Los basamos en los principios de datos ordenados. |
| |
Eso es una gran parte del... antes del análisis, que lleva tiempo, pero es fundamental contar con datos limpios y realizar un análisis eficiente después. Primero, tenemos la unidad de observación, por ejemplo, la fermentación. |
| |
Y luego, en cada fila del... del archivo, incluimos un lote cada vez. |
| |
Para cada columna, tomamos un parámetro. Por ejemplo, para la fermentación, el pH, la temperatura, todos los... |
| |
título (es decir |
| |
la cantidad del producto al final). |
| |
Y luego, para cada valor, |
| |
Aquí corresponde el valor correcto de la columna y del lote. |
| |
Y con este, podemos ir a JMP y realizar el análisis. |
| |
Entonces veamos cómo calculamos el rendimiento. |
| |
Entonces, primero calculamos el rendimiento para cada paso, comenzando con el 100% para la fermentación. |
| |
y ver cómo disminuye a lo largo del proceso. |
| |
Entonces, lo que observamos es que tenemos una gran variación en la etapa de fermentación. |
| |
Y luego tenemos una disminución en la cantidad de producto. |
| |
en la etapa de separación, así como en la etapa de cromatografía 1. |
| |
Y así vamos con estos datos a los expertos en la materia. |
| |
y nos dijeron que la variabilidad compleja de los medios impacta el título final de la fermentación, por lo que tenemos que explorar este punto. |
| |
Luego, para la separación, la estrategia elegida podría tener un impacto diferente en las proporciones de masa. |
| |
Y para la cromatografía 1, la estrategia de agrupamiento probablemente tenga un impacto. |
| |
Entonces, veremos qué indicaban los datos. Analizamos la fase inicial y realizamos diferentes análisis. El primer análisis fue el análisis multivariable de cada una de estas etapas del proceso USP. |
| |
Nos centramos en la fermentación, la lisis celular y la separación. Analizamos todos los parámetros y cómo podrían correlacionarse con el producto final. |
| |
Aquí, lo que vemos en la fermentación, la cantidad añadida al Reactor 1 tuvo una correlación media con una buena probabilidad de significancia. Para la separación, la relación de masa final. |
| |
La relación de masas en la separación intermedia tiene un impacto importante en una probabilidad significativa. |
| |
Se puede observar que otros parámetros, como el pH inicial del Reactor 2, están muy cerca del umbral de correlación media. |
| |
y tienen una probabilidad significativa. Veremos si este parámetro se cumple en el próximo análisis. |
| |
También hemos seleccionado aquí sólo el parámetro que tiene significado científico. |
| |
para el otro análisis también. |
| |
Luego, analizamos los mínimos cuadrados parciales. Con estos, observamos una correlación positiva para la fermentación en todos estos parámetros. Así, nuevamente, observamos la cantidad de Reactor 2, su pH inicial y la cantidad inicial de Reactor 2. |
| |
Además de un nuevo parámetro, es el tiempo de retención. |
| |
Y vemos que |
| |
La cantidad de Reactor 2 tiene una correlación positiva con este análisis, pero negativa con MVA. |
| |
Y esto podría explicarse por los 80 lotes que estaban en producción, pero no estaban diseñados para responder a una pregunta de correlación positiva o negativa con el producto final. Entonces... |
| |
Esto podría hacerse en el futuro, en otro análisis con un diseño adecuado. |
| |
Con ??? aún así decir que tenemos un impacto en el producto final. |
| |
Para los demás parámetros, en los otros pasos de la parte ascendente, también vemos que la predicción coincide con los resultados multivariados. |
| |
También tenemos la posibilidad de mejorar el título. Aquí vemos que con el perfilador de predicción también podemos optimizarlo. |
| |
en el futuro y el rendimiento del proyecto. |
| |
Luego probamos el producto... el análisis predictivo. Realizamos 10 análisis predictivos y seleccionamos los cinco parámetros que siempre se encuentran entre los 10 principales. Y esto es lo que vemos: el pH inicial del Reactor 2. |
| |
la relación de masas al final de la separación, la relación de masas en la separación intermedia, |
| |
la cantidad inicial del Reactor 2, |
| |
la cantidad del Reactor 2 y la cantidad del Reactor 1. Entonces, nuevamente, tenemos el mismo parámetro que parece tener un impacto. |
| |
Entonces, pasamos al aprendizaje automático. |
| |
Este análisis de aprendizaje automático, XGBoost, es un algoritmo de aprendizaje automático de árbol de decisión. Y para evitar incluir en este resultado parámetros que no forman parte... |
| |
del... |
| |
En la parte superior de nuestro parámetro, incluimos un parámetro falso, que nos da una especie de umbral en la importancia del parámetro. |
| |
Se consideró que todos los parámetros que aparecen por encima de este umbral tienen un impacto. Los demás se consideran aleatorios y por debajo de este parámetro aleatorio, por lo que no tienen impacto o tienen un impacto insignificante en el producto final. |
| |
Y aquí podemos ver que la correlación negativa aparecerá para el Reactor 1. El pH del Reactor 2 y la cantidad inicial del Reactor 2, tenemos una correlación positiva. |
| |
Y para la razón de masa, tenemos una correlación negativa. Como ya expliqué, la diferencia entre la correlación negativa y positiva no era el objetivo ni estaba diseñada para este experimento, por lo que sabemos que tiene un impacto, pero aún no sabemos si es positivo o negativo. |
| |
Luego iremos a la parte de aguas abajo, |
| |
específicamente en la Cromatografía 1. |
| |
Y aquí utilizamos el modelado predictivo neuronal. |
| |
Entonces, en el modelado predictivo normal usamos el |
| |
Una fracción diferente de la cromatografía. En el gráfico de la derecha, vemos que la fracción 8 es la principal, por lo que encontramos la mayor cantidad de producto y la mayor pureza. Y al disminuir de las fracciones 7 a 1, tenemos producto, pero también más impurezas. |
| |
y |
| |
Hasta ahora, hemos tenido en cuenta la Fracción 4 en nuestro análisis y nos gustaría ver si podemos incluir también las Fracciones 3, 2 y 1. |
| |
Y lo que vimos es que al aumentar el número de fracciones aumentamos el rendimiento pero disminuimos muy poco la pureza. |
| |
En el gráfico de la izquierda, vemos que si pasamos a la Fracción 2, la pureza disminuye a menos del 1 %, pero el rendimiento aumenta al 5 %. Luego, al incluir la Fracción 1, la pureza disminuye aún más, pero es ligeramente inferior al 1 %. |
| |
La pureza disminuyó más de un uno por ciento y, por otro lado, el rendimiento aumentó aproximadamente un 10%. |
| |
Entonces con este resultado intentamos resumir todo junto. |
| |
Hasta el momento de la fermentación, tenemos un volumen final de los tanques y del reactor, los cuales fueron identificados por la mayoría de los métodos. |
| |
Los expertos en procesos también identificaron el pH inicial del fermentador mediante diferentes métodos de análisis y la variabilidad compleja de los compuestos. Para poder observar el efecto de esta variabilidad, necesitaremos realizar más investigaciones en el laboratorio. |
| |
Luego, para la separación, tenemos la relación de masa, que fue identificada por algunos métodos, |
| |
análisis de los datos pero también con el proceso...por los expertos del proceso. |
| |
Y la estrategia es muy interesante. |
| |
El experto en procesos decide analizarlo y tratar de hacer algunas pruebas para poder mejorar el rendimiento en la producción. |
| |
Para la Cromatografía 1, la estrategia de agrupamiento fue identificada por el experto en procesos en el análisis de redes neuronales. Y aquí |
| |
El método se puede implementar fácilmente tanto en el laboratorio como en la producción. Y el rendimiento está aumentando considerablemente con este método. |
| |
Entonces, recalculamos con la predicción... |
| |
El perfilador de predicción nos permite aumentar el rendimiento en los diferentes pasos. En el caso de la fermentación, logramos aumentar el rendimiento hasta en un 16 %. |
| |
Para la separación, podemos aumentarlo hasta un 5%, y para la Cromatografía 1, aquí lo hemos aumentado. |
| |
Hasta un 5%. En la otra diapositiva, escribimos hasta un 10%, así que intentamos, en el peor de los casos, decir hasta un 5%. Y, al final, tendremos un aumento total al final de |
| |
26%, lo que es una buena manera de mejorar nuestro proceso y centrarnos precisamente en la parte donde podemos tener un gran impacto. Y basándonos únicamente en los datos, sin realizar muchos experimentos en el laboratorio, |
| |
Además, realizar estos análisis con JMP es más económico que realizar muchos experimentos en el laboratorio. Por lo tanto, obtenemos grandes beneficios al final. |
| |
Así que, muchas gracias a todos por escucharme hoy, y también un gran agradecimiento a mi colega, |
| |
Ludovic, Helge, Lea, Nichola y Sven con el ??? de esta presentación. |
