Les tests de puissance relative sont essentiels pour évaluer l'activité biologique des médicaments tout au long de leur cycle de vie. La gestion de la variabilité, l'optimisation des conditions de test et la garantie de performances constantes sont indispensables mais complexes.
Cette présentation explore comment JMP soutient le développement, la validation et le suivi des tests de puissance relative dans le domaine CMC (chimie, fabrication et contrôles).
En intégrant la visualisation des données, l'analyse statistique, les outils de modélisation (tels que la régression logistique et la méthodologie des surfaces de réponse pour l'établissement des conditions optimales d'essai) et les modèles à effets mixtes (pour l'estimation de la précision intermédiaire et des stratégies de réplication pertinentes), JMP permet un développement robuste des essais, la validation des procédures et un suivi continu des performances. Les fonctionnalités d'automatisation et de script de JMP simplifient les analyses de données répétitives, facilitent l'évaluation des performances des méthodes et des opérateurs, ainsi que la vérification continue des performances des procédures (OPPV) des bioessais en environnement réglementé.
Le titre de ma présentation est « Utilisation de JMP au cours du cycle de vie d'un actif à puissance relative pour la CMC ». Je travaille chez Byondis, une entreprise située à Nimègue, dans l'est des Pays-Bas. Nous comptons environ 300 à 350 employés. Notre activité consiste à développer des thérapies ciblées, principalement contre les cancers réfractaires. Nos produits comprennent des anticorps monoclonaux, des conjugués anticorps-médicament et des anticorps monoclonaux.
Les anticorps monoclonaux sont des protéines macromoléculaires complexes en forme de Y. Ils sont produits par des systèmes d'expression de cultures cellulaires recombinantes, ces cellules étant génétiquement modifiées pour contenir l'information nécessaire à la production du produit désiré. Ceci est une représentation d'un conjugué anticorps-médicament, où l'on retrouve la structure macromoléculaire complexe en forme de Y. Le médicament est lié par un agent de liaison, une fraction chimique.
Voici une vue d'ensemble du cycle de vie d'un produit biotechnologique. Il comprend la recherche, le développement et, idéalement, la commercialisation. Nos chercheurs sont chargés de développer un candidat clinique, c'est-à-dire un composé prometteur ayant démontré une efficacité et une innocuité suffisantes lors des essais précliniques. Nous estimons ces résultats suffisants pour passer aux essais cliniques.
La phase de développement correspond à ce que nous appelons CMC, acronyme de « chimie, fabrication et contrôle ». Nous y développons notre procédé de production. Notre objectif est d'obtenir un médicament sûr et, nous l'espérons, efficace chez l'humain, tout en garantissant une qualité constante.
Deux groupes sont principalement responsables du développement de ce procédé : le Département de Traitement en Amont (DTA) et le Département de Traitement en Aval (DTA). Le DTA se concentre sur l’optimisation des conditions de croissance du moteur biologique dans les bioréacteurs et est également responsable de l’augmentation de la capacité de production. Le DTA assure la purification et l’isolement du produit biologique issu de la culture cellulaire et garantit que le produit final est pur, concentré et exempt de contaminants.
Pour développer leurs processus respectifs, ces groupes doivent prendre des décisions éclairées, fondées sur des données probantes, scientifiquement rigoureuses et basées sur une évaluation des risques. Une grande partie des informations dont ils ont besoin est fournie par le groupe de développement analytique. Mon groupe fait partie de ce groupe et se nomme le groupe des essais de puissance, ou le groupe qui développe les essais fonctionnels.
Les tests d'activité quantifient l'activité biologique induite par le produit lors de son interaction avec le substrat biologique cible. Idéalement, nous souhaitons qu'elle reproduise l'activité biologique observée en situation clinique.
Voici le cycle de vie d'un test de puissance, ou de toute autre méthode analytique. Lors de la conception et du développement de la méthode, nous démontrons son adéquation à l'usage prévu, et nous vérifions et contrôlons que cette adéquation est maintenue tout au long de son cycle de vie.
En préambule à la conception et au développement du test de puissance, il convient de considérer les points suivants. Une méthode analytique, ou les méthodes analytiques en général, sont essentiellement un processus. Ce processus transforme l'entrée, ici l'échantillon, en données brutes, c'est-à-dire la sortie. Les données brutes des tests de puissance consistent en un ensemble de mesures résultant de la stimulation d'un système biologique par des concentrations croissantes de votre médicament ou produit. Il en résulte une augmentation de l'activité biologique qui finit par se stabiliser.
Nous effectuons ensuite une régression logistique sur les données brutes afin d'ajuster un modèle, ce qui permet d'obtenir des relations dose-réponse. Ces relations contiennent des informations sur les paramètres, ce qui nous permet de comparer la courbe dose-réponse obtenue avec l'échantillon à une courbe de référence (ici en rouge). Nous calculons ensuite un décalage horizontal, ce qui nous fournit une estimation de la puissance relative, exprimée en pourcentage ou en ratio. Enfin, cette valeur de puissance relative, ou la moyenne géométrique d'un certain nombre de valeurs de puissance relative, nous apporte des informations.
Pour résumer le préambule, les bioessais, également appelés essais de bioactivité ou essais biologiques, représentent conceptuellement un processus. Par conséquent, JMP peut appliquer un grand nombre d'outils génériques de développement, de dépannage et de contrôle des processus. Il est également important de noter que ces essais présentent généralement une variabilité plus importante, voire supérieure, à celle des tests chimiques.
Nous passons à la conception et au développement. Lorsqu'un bioessai est requis, nous commençons par identifier et sélectionner les variables potentiellement critiques. Pour ce faire, nous nous appuyons sur nos connaissances préalables, notre base de connaissances, le raisonnement scientifique et le bon sens. Nous prenons en compte les contraintes pratiques et réalisons des expérimentations préliminaires. Pour structurer votre réflexion autour de ces considérations, vous pouvez utiliser un diagramme d'Ishikawa, par exemple. Cette fonctionnalité est offerte par JMP.
Nous commençons ensuite à définir notre espace de conception, appelé MODR (région de conception opérationnelle par méthode). Nous recherchons alors les paramètres optimaux à l'aide de plans d'expériences afin de générer des courbes qui nous fournissent des résultats de puissance relative précis et exacts.
Il s'agit du résultat d'une expérience multivariée, où nous avons fait varier les cellules cibles et effectrices, ou leur nombre. L'inspection visuelle suggère que les courbes rouges ne répondent pas nécessairement à nos critères ; nous devons donc choisir l'une des courbes noires. Pour déterminer objectivement la courbe dose-réponse la plus appropriée, nous devons recourir à une analyse statistique.
Lorsque vous serez familiarisé avec ces modèles de surface de réponse, vous reconnaîtrez les courbes de niveau, le profil de prédiction et le graphique de la surface de réponse. Le profil de prédiction présente les facteurs d'intérêt, leur plage de valeurs, les réponses d'intérêt, les facteurs les plus significatifs (en rouge) et les résultats souhaités. Dans ce cas précis, nous souhaitons que cette réponse soit la plus faible possible, celle-ci conforme à la valeur cible et celle-ci la plus élevée possible.
Pour ajuster un modèle à nos données, nous utilisons une régression logistique à 4 paramètres. Cette opération est possible avec JMP, bien que nous utilisions un logiciel dédié validé BPF. Il est important de noter que JMP emploie une terminologie différente pour ce que nous appelons le paramètre de pente et l'EC50 ou l'IC50. JMP utilise les termes « taux de croissance » et « point d'inflexion ». Le taux de croissance correspond au paramètre de pente et le point d'inflexion à l'EC50. JMP nous fournit également toutes les autres statistiques pertinentes, comme la probabilité F pour un test de parallélisme, et bien sûr, nos valeurs de puissance relative, exprimées par rapport à un étalon de référence.
Vient ensuite la qualification ou la validation des performances, au cours de laquelle nous démontrons l'adéquation du produit à l'usage prévu. Je me concentrerai sur deux caractéristiques principales de validation : la précision relative et la précision intermédiaire.
La validation consiste à démontrer qu'une procédure est adaptée à l'usage prévu. J'utilise indifféremment les termes qualification et validation, car la norme USP <1220> stipule que toutes les activités confirmant l'adéquation d'une procédure à l'usage prévu peuvent être considérées comme relevant de la validation.
Voici un exemple de protocole de validation. Ce protocole, issu de la Pharmacopée américaine (USP) et portant sur les bioessais, est décrit ci-après (référence 1033). Il prévoit l'intervention de deux opérateurs. Nous mesurerons une gamme de concentrations nominales comprises entre 50 % et 200 % sur plusieurs séries d'essais, voire sur plusieurs jours, en utilisant différentes plaques à 96 puits au cours d'une même série. Par ailleurs, l'USP utilise différents lots de milieux de culture ; il s'agit donc d'un facteur supplémentaire à prendre en compte.
Voici une représentation graphique des mesures de puissance relative issues de ce protocole de validation. Nous disposons de différentes mesures intra-série (même échantillon sur différentes plaques ou même concentration nominale sur différentes plaques) et inter-séries (séquences différentes). Ces résultats sont présentés pour chaque puissance relative nominale. Deux opérateurs différents ont été identifiés par les courbes bleues et rouges. À partir de ces données, nous pouvons estimer l'exactitude et la précision.
JMP nous permet de calculer et d'utiliser un modèle à effets mixtes avec une estimation du maximum de vraisemblance restreint afin d'estimer les composantes de variance intra- et inter-essais. La somme de ces composantes de variance correspond à ce que l'on appelle la précision intermédiaire. Ceci nous permet d'établir une stratégie de réplication optimisée, que nous aborderons plus loin.
À l'aide d'un modèle à effets mixtes, nous pouvons également estimer les composantes de variance pour d'autres facteurs de l'étude de validation. Dans ce cas précis, ce sont les nœuds moyens qui ont également été modifiés. JMP nous permet de représenter ces données sur un diagramme de Pareto, ce qui nous permet d'identifier immédiatement que ce facteur contribue le plus à la variance.
Nous pouvons utiliser l'ajustement de notre composante de variance pour réduire notre précision intermédiaire en répétant la mesure du même échantillon lors de différentes séries de mesures, et/ou à différents endroits au sein d'une même série. Ce graphique illustre la réduction de la précision intermédiaire obtenue avec cette stratégie. Augmenter le nombre de mesures répétées sur différentes plaques au sein d'une même série réduit également la précision intermédiaire, mais de façon moins marquée. Ici, nous observons les différentes séries de mesures. Cela réduit notre précision intermédiaire. Si l'on considère les différentes plaques au sein d'une même série, on constate également une réduction de la précision intermédiaire.
Cela montre également que la réduction des variants de cette manière a ses limites. On passe d'environ 15 % à un peu plus de 5 %. À un certain point, cela devient tout simplement impossible. En noir, nous avons le nombre de répétitions. Nous avons 15 répétitions pour réduire nos variants de 15 % à 5 %, et cela devient pratiquement impossible.
Le deuxième paramètre de validation important est la précision relative. Nous nous attendons à obtenir des mesures de puissance relative qui, en moyenne, correspondent à la puissance nominale des échantillons. Le calcul porte sur l'écart par rapport à ces moyennes. Après régression, nous prévoyons que les résultats se rapprochent de la droite d'intégration, c'est-à-dire que l'ordonnée à l'origine est nulle et la pente est égale à un.
On constate visuellement que la régression suggère une surestimation pour les puissances nominales élevées. JMP fournit également une équation de régression permettant de vérifier si l'ordonnée à l'origine est bien proche de zéro et la pente bien proche de un.
Voici une autre façon de représenter ces mêmes données. Elle confirme une surestimation, ou du moins une légère surestimation, probablement aux valeurs nominales élevées. Ce graphique, qui utilise également les mêmes données, inclut des intervalles de prédiction, permettant d'évaluer si certaines mesures individuelles constituent des valeurs aberrantes potentielles.
De plus, ce graphique nous fournit des estimations de variance par logarithme de la puissance nominale, qui devraient être cohérentes entre elles et représenter en moyenne la précision intermédiaire totale. Cette cohérence est nécessaire car nous souhaitons une variance constante pour le modèle à effets mixtes.
Enfin, les paramètres de validation sont comparés aux limites d'acceptation prédéfinies (indiquées ici par la ligne pointillée). Dans ce cas, la valeur de 200 %, soit la puissance nominale la plus élevée, ne satisfait pas aux critères de validation. Ce résultat était prévisible d'après l'inspection visuelle effectuée précédemment.
Nous réalisons également des validations et des qualifications afin d'évaluer les performances des opérateurs ou dans le cadre de leur formation. Nous effectuons des exercices de qualification et de validation répétés. Pour faciliter ce processus, nous avons développé des scripts qui nous aident dans l'analyse des données.
Vient ensuite la qualification des performances. Comment définir les critères d'acceptation des objectifs de validation associés aux performances de nos méthodes ? Une approche possible consiste à utiliser la probabilité d'être hors spécifications. Ce graphique montre que, pour une méthode ayant une capabilité donnée, lorsque le processus de fabrication est conforme aux objectifs (idéalement à 100 % de la norme de référence), la probabilité d'une mesure hors spécifications (ce qui est inacceptable à ce stade) est extrêmement faible. C'est précisément le résultat recherché. Lorsque la moyenne du processus se modifie, lorsqu'elle s'écarte des objectifs, la probabilité d'obtenir un résultat hors spécifications augmente, ce qui est également souhaitable.
Ce graphique de contours représente les probabilités d'obtenir un résultat conforme aux spécifications choisies. Dans cet exemple, la probabilité est de 70 à 143 % lorsque le processus est conforme. La zone blanche représente une mesure dont la probabilité d'être hors spécifications est inférieure à 5 %. Cela correspond à une faible probabilité d'obtenir un résultat erroné et non conforme aux spécifications choisies lorsque le processus est conforme.
Une spécification plus rigoureuse réduit considérablement cette zone. Les lignes noires représentent la capabilité de la méthode, qui combine le biais de mesure et la précision intermédiaire. Ici, le biais a une valeur de 12 et la précision intermédiaire de 8 %.
Pour cette spécification, cette méthode n'est pas adaptée. Les lignes noires dépassent la zone blanche. Pour cette spécification moins contraignante, la méthode est adaptée. Les lignes noires se situent à l'intérieur de la zone blanche. Ce graphique nous offre une certaine flexibilité dans le choix des combinaisons optimales de biais relatif et de précision intermédiaire a posteriori qui se situent dans cette zone, au lieu de comparer les paramètres de validation à des critères d'acceptation prédéfinis. Le profileur de prédiction nous fournit essentiellement les mêmes informations. JMP nous permet simplement d'analyser les données différemment.
Enfin, nous procédons à une vérification continue des performances de la procédure, où nous vérifions et contrôlons que l'adéquation démontrée à l'usage prévu est maintenue tout au long du cycle de vie de la méthode.
L'OPPV est un exercice continu pour lequel nous avons développé des scripts qui génèrent cette interface. À gauche, dans le sélecteur de colonnes, nous avons ajouté plusieurs paramètres liés à la relation dose-réponse que nous traitons comme contrôles et comparons aux limites d'acceptation. Autrement dit, nos limites de contrôle (en rouge) doivent être comprises dans nos limites d'acceptation, qui, dans ce cas précis, correspondent à la limite supérieure (en bleu).
Les graphiques CUSUM nous aident à identifier rapidement si notre échantillon de contrôle commence à s'écarter de sa valeur cible, soit 100 % dans notre cas. Cela nous incite à examiner une éventuelle perte d'adéquation à l'usage prévu.
Ce que je n'ai pas pu aborder faute de temps, mais que je tiens à mentionner en guise de conclusion, c'est que nous utilisons JMP pour d'autres exercices pertinents liés au cycle de vie des bioessais, tels que l'établissement de ponts avec des normes de référence, un sujet complexe et d'actualité dans le monde des bioessais, et les enquêtes sur les causes profondes, qui peuvent s'avérer assez complexes pour ces méthodes multifactorielles.
Enfin, je tiens à remercier mon équipe, Dennie, Geert, Jake, Karlijn, Lisette, Pim, Rob et Sanne, car ce sont eux qui réalisent tout le travail et utilisent JMP pour générer ces données de qualité.
