I test di potenza relativa sono fondamentali per valutare l'attività biologica dei farmaci durante l'intero ciclo di vita dei biofarmaci. Gestire la variabilità, ottimizzare le condizioni di analisi e garantire prestazioni costanti sono essenziali ma impegnativi.
Questa presentazione esplora il modo in cui JMP supporta lo sviluppo, la convalida e il monitoraggio di test di potenza relativa in CMC (chimica, produzione e controlli).
Integrando visualizzazione dei dati, analisi statistica, strumenti di modellazione (come la regressione logistica e la metodologia della superficie di risposta per stabilire condizioni di analisi ottimali) e modelli a effetti misti (per stimare la precisione intermedia e le strategie di replicazione pertinenti), JMP consente uno sviluppo affidabile di analisi, la convalida delle procedure e il monitoraggio continuo delle prestazioni. Le funzionalità di automazione e scripting di JMP semplificano ulteriormente le analisi ripetitive dei dati, facilitano la valutazione delle prestazioni di metodo/operatore e la verifica continua delle prestazioni delle procedure (OPPV) dei biotest in un ambiente regolamentato.
Il titolo della mia presentazione è "L'uso di JMP durante il ciclo di vita di un asset a potenza relativa per la CMC". Lavoro presso Byondis. Siamo un'azienda con sede a Nimega, nella parte orientale dei Paesi Bassi. Siamo circa 300-350 dipendenti. Il nostro obiettivo è creare farmaci mirati, per lo più mirati a tumori incurabili. I prodotti che realizziamo sono anticorpi, coniugati e anticorpi monoclonali.
Gli anticorpi monoclonali sono proteine macromolecolari complesse a forma di Y. Sono prodotti da sistemi di espressione di colture cellulari ricombinanti, e queste cellule sono geneticamente modificate per contenere le informazioni necessarie per produrre il prodotto desiderato. Questa è la rappresentazione di un coniugato anticorpo-farmaco, dove ancora una volta abbiamo la struttura macromolecolare complessa a forma di Y. Il farmaco legato tramite un linker è una molecola chimica.
Questa è una panoramica di alto livello del ciclo di vita di un prodotto biotecnologico. Abbiamo la ricerca, lo sviluppo e, auspicabilmente, la commercializzazione. I nostri colleghi ricercatori sono responsabili dello sviluppo di un cosiddetto candidato clinico, ovvero un composto promettente che ha dimostrato sufficiente efficacia e sicurezza nei test preclinici. Riteniamo che ciò sia sufficiente per avviarlo alla sperimentazione clinica.
La fase di sviluppo è quella che chiamiamo CMC, acronimo di "Chemical Manufacturing and Control". Qui sviluppiamo il nostro processo produttivo. Vogliamo che questo processo produttivo si traduca in un farmaco sicuro e, auspicabilmente, efficace per l'uomo, e vogliamo garantire una qualità costante.
Sono due i gruppi principalmente responsabili dello sviluppo di questo processo: il Dipartimento di Elaborazione a Monte e il Dipartimento di Elaborazione a Valle. Il Dipartimento di Elaborazione a Monte si concentra sull'ottimizzazione delle condizioni per la crescita del motore stesso nei bioreattori ed è anche responsabile dell'aumento di scala del processo produttivo. Il Dipartimento di Elaborazione a Monte si occupa della purificazione e dell'isolamento del prodotto biologico dalla coltura cellulare e garantisce che il prodotto finale sia puro, concentrato e privo di contaminanti.
Per sviluppare i rispettivi processi, questi gruppi devono prendere decisioni informate, basate sui dati, scientificamente valide e basate sul rischio. Gran parte delle informazioni di cui necessitano viene fornita dal gruppo di sviluppo analitico. Il mio gruppo fa parte del gruppo di sviluppo analitico ed è chiamato gruppo di analisi di potenza, ovvero il gruppo che sviluppa analisi funzionali.
I test di potenza quantificano l'attività biologica indotta dal prodotto in seguito all'interazione con il substrato biologico target. Preferibilmente, vogliamo che l'attività biologica simuli quella della situazione clinica.
Questo è il ciclo di vita di un test di potenza, o se preferite, di qualsiasi metodo analitico. Quando progettiamo e sviluppiamo il metodo, ne dimostriamo l'idoneità allo scopo previsto e verifichiamo e controlliamo che tale idoneità dimostrata allo scopo previsto venga mantenuta per tutto il ciclo di vita del metodo.
Come premessa alla progettazione e allo sviluppo del test di potenza, dobbiamo considerare quanto segue. Un metodo analitico, o i metodi analitici in generale, sono essenzialmente un processo. Il processo analitico converte l'input, in questo caso il campione, in dati grezzi, ovvero l'output. I dati grezzi per i test di potenza consistono in una raccolta di misurazioni risultanti dalla sfida posta a un sistema biologico da concentrazioni crescenti del farmaco o del prodotto. Ciò si traduce in un aumento dell'attività biologica che alla fine si stabilizza.
Eseguiamo quindi una regressione logistica sui dati grezzi per adattare un modello ai dati grezzi, il che si traduce in relazioni dose-risposta. Queste relazioni dose-risposta contengono informazioni sui parametri che ci consentono di confrontare la curva dose-risposta mediata dal campione con una curva standard di riferimento, qui in rosso. Calcoliamo quindi uno spostamento orizzontale, che ci fornisce una stima della potenza relativa che esprimiamo come percentuale o come rapporto. Infine, questo valore di potenza relativa o una media geometrica di un numero specifico di valori di potenza relativa ci fornisce informazioni.
Per ricapitolare il preambolo, i biotest, che hanno nomi diversi, come i test di biopotenza e i test biologici, rappresentano concettualmente un processo. Di conseguenza, JMP può applicare un gran numero di strumenti generici per lo sviluppo, la risoluzione dei problemi e il controllo dei processi. Un altro aspetto da tenere presente è che questi test presentano in genere una variabilità elevata, o addirittura superiore, rispetto ai test basati su analisi chimiche.
Passiamo alla progettazione e allo sviluppo. Quando c'è la necessità di un biotest, iniziamo con l'identificazione e la selezione delle variabili potenzialmente critiche. Per questo, utilizziamo le conoscenze pregresse, che costituiscono la nostra base di conoscenza, e ci avvaliamo di ragionamenti scientifici e buon senso, prendiamo in considerazione i limiti pratici ed eseguiamo la sperimentazione iniziale. Per organizzare i pensieri attorno a tutte queste considerazioni, si potrebbe usare, ad esempio, il diagramma di Ishikawa. Questa è una funzionalità fornita da JMP.
Quindi iniziamo a definire il nostro spazio di progettazione, che in termini analitici è chiamato MODR (metodo operabile di progettazione). Iniziamo a trovare le impostazioni ottimali utilizzando la progettazione degli esperimenti per generare curve che ci forniscano risultati di potenza relativa accurati e precisi.
Questo è il risultato di un esperimento multivariato di progettazione, in cui abbiamo variato le cellule bersaglio ed effettrici, o il numero di cellule bersaglio ed effettrici. L'ispezione visiva suggerisce che le curve rosse non soddisfano necessariamente i nostri requisiti, quindi dobbiamo scegliere una delle curve nere. Per prendere una decisione oggettiva su quale curva dose-risposta sia la migliore, dobbiamo affidarci all'analisi statistica.
Una volta acquisita familiarità con questi modelli di superficie di risposta, si riconosceranno i piani di contorno, il profiler di previsione e il grafico della superficie di risposta. Il profiler di previsione mostra i fattori di interesse, l'intervallo di livello, le risposte di interesse, i fattori più significativi in rosso e i risultati desiderati. In questo caso, vogliamo che questa risposta sia la più bassa possibile, questa sia in linea con l'obiettivo e questa sia la più alta possibile.
Per adattare un modello ai nostri dati, utilizziamo la regressione logistica a 4 parametri. Questo può essere fatto in JMP, sebbene utilizziamo un software dedicato e convalidato GMP. Si noti che JMP utilizza una terminologia diversa per quello che chiamiamo parametro di pendenza e EC50 o IC50. JMP utilizza i termini tasso di crescita e punto di flesso. Tasso di crescita per il parametro di pendenza e punto di flesso per EC50. JMP ci fornisce anche tutte le altre statistiche rilevanti. Ad esempio, l'F-Prob per un test di parallelismo e, naturalmente, i nostri valori di potenza relativa, che JMP fornisce in relazione a uno standard di riferimento come cancellazione.
Il passo successivo è la qualificazione o convalida delle prestazioni, in cui dimostriamo l'idoneità allo scopo previsto. Mi concentrerò su due principali caratteristiche prestazionali della convalida: l'accuratezza relativa e la precisione intermedia.
La convalida in sé è l'atto di dimostrare che una procedura è idonea allo scopo previsto. Utilizzo i termini qualificazione e convalida in modo intercambiabile perché la norma USP<1220> stabilisce che tutte le attività che ne confermano l'idoneità allo scopo previsto possono essere considerate sotto l'egida della convalida.
Questo è un esempio di progetto di validazione. In realtà, questo progetto è stato sviluppato da United States Philanthropy, con sede a 1033, per i biotest. Abbiamo due operatori. Misureremo un intervallo di potenze nominali compreso tra il 50% e il 200% su più sessioni o giorni su diverse piastre a 96 pozzetti nella stessa sessione. Inoltre, la USP prevede lotti di terreno diversi, quindi questo è un altro fattore da considerare.
Questa è una rappresentazione grafica delle misurazioni di potenza relativa risultanti da questo progetto di validazione. Abbiamo diverse misurazioni intra-serie, quindi lo stesso campione su piastre diverse o la stessa concentrazione nominale su piastre diverse. Abbiamo diverse misurazioni inter-serie, quindi queste sono le diverse serie. Tutto questo si riferisce alla potenza relativa nominale. Inoltre, abbiamo due operatori diversi, quindi quelli blu e rossi denominano operatori diversi. Da questi dati, possiamo stimare accuratezza e precisione.
JMP ci consente di calcolare e utilizzare un modello a effetti misti con stima di massima verosimiglianza ristretta, in modo da poter stimare le nostre componenti di varianza intra-run e inter-run. La somma di queste componenti di varianza è ciò che chiamiamo precisione intermedia. Questo ci consente di stabilire una strategia di replicazione ottimizzata, un aspetto che approfondiremo in una diapositiva successiva.
Utilizzando un modello a effetti misti, possiamo anche stimare le componenti di varianza per altri fattori dello studio di convalida. In questo caso, anche i nodi medi sono stati variati. JMP ci consente di rappresentare questo dato in un diagramma di Pareto, che ci permette di identificare immediatamente che questo fattore contribuisce maggiormente alla varianza.
Possiamo utilizzare la correzione della componente di varianza per ridurre la precisione intermedia ripetendo la misurazione dello stesso campione in diverse sessioni e/o in punti diversi della stessa sessione. Questo grafico mostra come la precisione intermedia si riduce quando utilizziamo questa strategia. Aumentare il numero di misurazioni ripetute su piastre diverse nella stessa sessione riduce anche l'IP, ma in modo meno pronunciato. Qui abbiamo le diverse sessioni. Questo riduce la nostra precisione intermedia. Osservando le diverse piastre nella stessa sessione, notiamo anche una riduzione della precisione intermedia.
Questo ci mostra anche che ridurre le varianti in questo modo è un'operazione finita. Passiamo da circa il 15% a poco più del 5%. A un certo punto, questo non è più fattibile. In nero, abbiamo il numero di ripetizioni. Abbiamo 15 ripetizioni per ridurre le nostre varianti dal 15% al 5%, e questo non è più praticamente fattibile.
Il secondo importante parametro di validazione è l'accuratezza relativa. In questo caso, ci aspettiamo di trovare misurazioni della potenza relativa che, in media, siano in linea con la potenza nominale dei campioni. Ciò che calcoliamo è una deviazione da queste medie. Ci aspettiamo che, dopo la regressione, i risultati siano prossimi alla retta unitaria, il che significa che abbiamo un'intercetta pari a zero e una pendenza pari a uno.
Possiamo osservare visivamente che la regressione suggerisce una sovrastima a potenza nominale più elevata. JMP ci fornisce anche un'equazione di regressione in cui possiamo verificare se la nostra intercetta si avvicina effettivamente a zero e la nostra pendenza si avvicina effettivamente a uno.
Questo è un altro modo di rappresentare graficamente gli stessi dati. Conferma che abbiamo una sovrastima, o una certa sovrastima, probabilmente alle potenze nominali elevate. Anche in questo caso, gli stessi dati includono intervalli di previsione, che ci permettono di valutare singole misurazioni in termini di potenziali valori anomali.
Inoltre, questo grafico ci fornisce stime della varianza per potenza nominale logaritmica, che dovrebbero essere in linea tra loro e rappresentare in media la precisione intermedia totale. Dovrebbero essere in linea tra loro perché vogliamo una varianza costante per il modello a effetti misti.
Infine, i parametri di validazione sono confrontati con i limiti di accettazione predefiniti, indicati dalla linea tratteggiata. In questo caso, il 200%, la potenza nominale più elevata, non supererebbe la validazione. Cosa che avremmo potuto aspettarci già dall'ispezione visiva di cui abbiamo già parlato.
Eseguiamo anche convalide e qualifiche come strumento per valutare le prestazioni degli operatori o nel processo di formazione degli stessi. Eseguiamo ripetuti esercizi di qualificazione e convalida. Per facilitare queste attività, abbiamo scritto degli script che ci aiutano nell'analisi dei dati.
Il passo successivo è la qualificazione delle prestazioni. Come definiamo i criteri di accettazione degli obiettivi di validazione associati alle prestazioni dei nostri metodi? Un modo per affrontare questo problema è utilizzare la probabilità di essere fuori specifica. Questo grafico mostra che, per un metodo con una data capacità, quando il processo di produzione è in linea con gli obiettivi, quindi auspicabilmente al 100% rispetto allo standard di riferimento, la probabilità di una misurazione OS, che non si dovrebbe ottenere a questo punto, è molto, molto bassa. Questo è ciò che vogliamo. Quando la media del processo cambia, quando si discosta dagli obiettivi, la probabilità di ottenere un risultato fuori specifica aumenta, che è esattamente ciò che vogliamo.
Questo grafico a contorno contiene le probabilità di ottenere un risultato OS in relazione alla specifica scelta. In questo esempio, il risultato è del 70-143% quando il processo è in linea con il target. L'area bianca rappresenta una misurazione con una probabilità di essere fuori specifica inferiore al 5%. Questa è una bassa probabilità di ottenere un risultato indesiderato, falso e fuori specifica per la specifica scelta quando il processo è in linea con il target.
Una specifica più rigorosa riduce significativamente quest'area. Le linee nere rappresentano la capacità del metodo, che è una combinazione del bias di misura del metodo e della precisione intermedia del metodo. Qui abbiamo i valori numerici di 12 per il bias e dell'8% per la precisione intermedia.
Per questa specifica, questo metodo non è valido. Le linee nere si intersecano all'esterno dell'area bianca. Per questa specifica non così stringente, il metodo è valido. Le linee, le linee nere, si intersecano all'interno dell'area bianca. Questo grafico ci offre una certa flessibilità nella scelta del bias relativo post hoc definitivo e delle combinazioni di precisione intermedia che rientrano in quest'area, invece di basare i parametri di validazione su criteri di accettazione predefiniti. Il profiler di predizione ci fornisce essenzialmente le stesse informazioni. È solo che JMP ci consente di valutare i dati in modo diverso.
Infine, disponiamo di una verifica continua delle prestazioni della procedura, in cui verifichiamo e controlliamo che l'idoneità dimostrata allo scopo previsto venga mantenuta per tutto il ciclo di vita del metodo.
L'OPPV è un esercizio continuo per il quale abbiamo scritto degli script che danno origine a questo layout della dashboard. A sinistra, nel selettore di colonna, abbiamo aggiunto diversi parametri associati alla relazione dose-risposta che elaboriamo come controllo e confrontiamo con i limiti di accettazione. In altre parole, i nostri limiti di controllo in rosso dovrebbero rientrare nei nostri limiti di accettazione, che in questo caso rappresentano semplicemente un limite superiore in blu.
I grafici CUSUM ci aiutano a identificare precocemente se il nostro campione di controllo sta iniziando ad allontanarsi dal suo valore target. Nel nostro caso, si tratta del 100%. Questo è un segnale utile per indagare sulla potenziale perdita di idoneità allo scopo previsto.
Ciò di cui non ho parlato per motivi di tempo, ma che vorrei menzionare per concludere, è che utilizziamo JMP per altri esercizi rilevanti associati al ciclo di vita dei biotest, come il bridging degli standard di riferimento, che è un argomento complesso e di grande attualità nel mondo dei biotest, e le indagini sulle cause profonde, che possono essere piuttosto complesse per questi metodi multifattoriali.
Infine, vorrei ringraziare il mio gruppo, Dennie, Geert, Jake, Karlijn, Lisette, Pim, Rob, Sanne, perché sono loro che svolgono tutto il lavoro e lavorano con JMP per generare questi dati interessanti.
