상대적 효능 분석은 바이오의약품의 전 생애주기에 걸쳐 약물의 생물학적 활성을 평가하는 데 매우 중요합니다. 변동성을 관리하고, 분석 조건을 최적화하며, 일관된 성능을 보장하는 것은 필수적이지만 어려운 과제입니다.
본 발표에서는 JMP가 CMC(화학, 제조 및 관리) 분야에서 상대적 효능 분석법의 개발, 검증 및 모니터링을 어떻게 지원하는지 살펴봅니다.
JMP는 데이터 시각화, 통계 분석, 모델링 도구(예: 로지스틱 회귀 분석 및 최적 분석 조건 설정을 위한 반응 표면 방법론), 그리고 혼합 효과 모델(중간 정밀도 및 관련 반복 전략 추정용)을 통합하여 견고한 분석법 개발, 절차 검증 및 지속적인 성능 모니터링을 가능하게 합니다. JMP의 자동화 및 스크립팅 기능은 반복적인 데이터 분석을 더욱 간소화하고, 방법/작업자 성능 평가를 용이하게 하며, 규제 환경에서 생물학적 분석의 지속적인 절차 성능 검증(OPPV)을 지원합니다.
제 발표 제목은 "CMC를 위한 상대적 효능 자산의 생명주기 동안 JMP 활용"입니다. 저는 네덜란드 동부 나이메헌에 위치한 Byondis라는 회사에 근무하고 있습니다. 저희 회사는 약 300~350명의 직원을 보유하고 있으며, 주로 난치성 암을 표적으로 하는 표적 치료제를 개발합니다. 저희가 생산하는 제품에는 항체 약물, 접합체, 단클론 항체가 있습니다.
단클론 항체는 Y자 모양의 복잡한 거대 분자 단백질입니다. 이들은 재조합 세포 배양 발현 시스템에서 생산되며, 이 세포들은 원하는 제품을 생산하는 데 필요한 정보를 포함하도록 유전적으로 조작됩니다. 위 그림은 항체-약물 접합체를 나타낸 것으로, 여기에서도 Y자 모양의 복잡한 거대 분자 구조를 볼 수 있습니다. 약물은 화학적 작용기인 링커를 통해 항체에 연결되어 있습니다.
이는 바이오 기술 제품의 생명주기에 대한 개괄적인 설명입니다. 연구, 개발, 그리고 최종적으로는 상용화 단계가 있습니다. 연구진은 임상 후보 물질이라고 불리는, 전임상 시험에서 충분한 효능과 안전성을 입증한 유망한 화합물을 개발하는 책임을 맡고 있습니다. 이러한 화합물을 임상 시험 단계로 진행하기로 결정한 것입니다.
개발 단계는 CMC(화학, 제조 및 품질 관리)라고 부릅니다. 이 단계에서 생산 공정을 개발합니다. 우리는 이 생산 공정을 통해 안전하고, 바라건대 인체에 효과적인 약물을 생산하고, 일정한 품질을 유지하고자 합니다.
이 공정 개발을 담당하는 주요 부서는 상류 공정 부서(Upstream Processing Department, USP)와 하류 공정 부서(Downstream Processing Department, DSP) 두 곳입니다. USP는 생물 반응기에서 엔진 자체의 성장을 위한 조건을 최적화하는 데 중점을 두고 있으며, 생산 공정의 규모 확대를 담당합니다. DSP는 세포 배양액에서 생물학적 제품을 정제 및 분리하고 최종 제품이 순수하고 농축되어 있으며 오염 물질이 없도록 보장합니다.
각 그룹이 프로세스를 개발하기 위해서는 데이터에 기반하고 과학적으로 타당하며 위험 요소를 고려한 정보에 입각한 결정을 내려야 합니다. 이들이 필요로 하는 정보의 상당 부분은 분석 개발 그룹에서 제공합니다. 제 그룹은 분석 개발 그룹의 일부이며, 효능 분석 그룹 또는 기능 분석법 개발 그룹이라고 불립니다.
효능 분석은 제품이 표적 생물학적 기질과 상호작용할 때 유도되는 생물학적 활성을 정량화합니다. 우리는 임상 상황에서의 생물학적 활성을 모방하는 것이 바람직합니다.
이것이 바로 효능 분석법, 또는 다른 분석 방법의 전체 수명 주기입니다. 우리는 분석 방법을 설계하고 개발한 다음, 의도된 목적에 대한 적합성을 입증하고, 입증된 적합성이 분석 방법의 수명 주기 전반에 걸쳐 유지되는지 검증하고 관리합니다.
효능 분석법의 설계 및 개발에 앞서 다음 사항을 고려해야 합니다. 분석 방법 또는 분석 방법들은 본질적으로 하나의 과정입니다. 분석 과정은 입력값(이 경우 시료)을 원시 데이터, 즉 출력값으로 변환합니다. 효능 분석의 원시 데이터는 생물학적 시스템에 약물 또는 제품의 농도를 점진적으로 증가시키면서 얻은 측정값들의 집합입니다. 이러한 농도 증가는 생물학적 활성의 증가를 유발하고, 결국 포화 상태에 도달하게 합니다.
먼저 원시 데이터에 로지스틱 회귀 분석을 수행하여 모델을 적합시키고, 이를 통해 용량-반응 관계를 도출합니다. 이러한 용량-반응 관계에는 매개변수 정보가 포함되어 있어 샘플에 의해 매개되는 용량-반응 곡선을 참조 표준 곡선(빨간색으로 표시)과 비교할 수 있습니다. 그런 다음 수평 이동을 계산하여 상대 효능 추정치를 얻고, 이를 백분율 또는 비율로 나타냅니다. 마지막으로, 이 상대 효능 값 또는 특정 개수의 상대 효능 값의 기하 평균을 통해 정보를 얻습니다.
서두에서 언급했듯이, 생물학적 검정(bioassay)은 생물학적 효능 검정(biopotency assay) 또는 생물학적 분석(biological assay) 등 다양한 이름으로 불리지만, 개념적으로는 하나의 공정을 나타냅니다. 따라서 JMP를 통해 다양한 범용 공정 개발, 문제 해결 및 관리 도구를 적용할 수 있습니다. 또한 이러한 검정은 일반적으로 화학 기반 시험보다 변동성이 크다는 점을 기억해야 합니다.
설계 및 개발 단계로 넘어갑니다. 생물학적 분석이 필요할 경우, 잠재적으로 중요한 변수를 식별하고 선택하는 것부터 시작합니다. 이를 위해 기존 지식, 즉 우리의 지식 기반을 활용하고, 과학적 논리, 상식, 실질적인 제약 조건을 고려하며 초기 실험을 수행합니다. 이러한 모든 고려 사항을 정리하기 위해 이시카와 다이어그램과 같은 도구를 사용할 수 있습니다. JMP는 이러한 기능을 제공합니다.
다음으로 우리는 분석 용어로 MODR(method operable design region)이라고 하는 설계 공간을 설정하기 시작합니다. 실험 설계법을 사용하여 정확하고 정밀한 상대 효능 결과를 제공하는 곡선을 생성함으로써 최적의 설정을 찾기 시작합니다.
이는 표적 세포와 효과기 세포, 또는 표적 세포와 효과기 세포의 수를 변화시킨 다변량 실험 설계의 결과입니다. 육안으로 관찰했을 때 빨간색 곡선들이 우리의 요구 조건을 충족하지 못하는 것으로 보이므로 검은색 곡선 중 하나를 선택해야 합니다. 어떤 용량-반응 곡선이 가장 좋은지 객관적으로 결정하기 위해서는 통계 분석에 의존해야 합니다.
반응 표면 모델 설계에 익숙해지면 등고선도, 예측 프로파일러, 반응 표면 도표를 알아볼 수 있을 것입니다. 예측 프로파일러는 관심 요인, 수준 범위, 관심 있는 반응, 가장 중요한 요인(빨간색으로 표시), 그리고 원하는 결과를 보여줍니다. 이 경우, 이 반응은 가능한 한 낮아야 하고, 이 반응은 목표값이어야 하며, 이 반응은 가능한 한 높아야 합니다.
데이터에 적합한 모델을 만들기 위해 4개 매개변수 로지스틱 회귀 분석을 사용합니다. 이 작업은 JMP에서도 가능하지만, 저희는 GMP 인증을 받은 전용 소프트웨어를 사용합니다. JMP에서는 저희가 '기울기 매개변수' 또는 'EC50'이나 'IC50'이라고 부르는 값을 다른 용어로 표현합니다. JMP에서는 '성장률'과 '변곡점'이라는 용어를 사용하는데, 기울기 매개변수는 '성장률', EC50은 '변곡점'으로 나타냅니다. JMP는 또한 다른 관련 통계 자료도 제공합니다. 예를 들어, 평행성 검사의 F-Prob 값과 상대 효능 값 등을 제공하며, JMP는 이러한 값들을 참조 표준을 기준으로 소거한 값으로 제공합니다.
다음 단계는 성능 검증 또는 타당성 검사로, 의도된 목적에 대한 적합성을 입증하는 것입니다. 저는 상대적 정확도와 중간 정밀도라는 두 가지 주요 타당성 검사 성능 특성에 초점을 맞추겠습니다.
검증이란 절차가 의도된 목적에 적합하다는 것을 입증하는 행위입니다. 저는 적격성 평가와 검증이라는 용어를 혼용해서 사용하는데, USP<1220>에서 의도된 목적에 대한 적합성을 확인하는 모든 활동을 검증의 범주에 포함시킬 수 있다고 명시하고 있기 때문입니다.
이것은 검증 설계의 한 예입니다. 실제로 이 설계는 생물학적 분석을 위한 미국 자선사업단(USP)의 1033 기금에서 가져온 것입니다. 두 명의 작업자가 있으며, 동일한 실험 과정에서 여러 96웰 플레이트를 사용하여 여러 번에 걸쳐 50%에서 200% 사이의 명목상 효능 범위를 측정합니다. 또한 USP에서는 다양한 배지 로트를 추가하므로 이 또한 고려해야 할 요소입니다.
이 그래프는 검증 설계에서 얻은 상대적 효능 측정값을 나타낸 것입니다. 동일한 시료를 다른 플레이트에 적용하거나 동일한 공칭 농도를 다른 플레이트에 적용하는 등 실행 내 측정값이 서로 다릅니다. 또한 실행 간 측정값도 서로 다른 실행 결과를 나타냅니다. 이 모든 데이터는 공칭 상대적 효능에 대한 것입니다. 파란색과 빨간색은 각각 다른 작업자를 나타내며, 두 명의 작업자가 측정한 값을 그래프로 표현했습니다. 이러한 데이터를 통해 정확도와 정밀도를 추정할 수 있습니다.
JMP를 사용하면 제한된 최대 우도 추정법을 적용한 혼합 효과 모델을 계산하고 사용하여 실행 내 분산 성분과 실행 간 분산 성분을 추정할 수 있습니다. 이러한 분산 성분의 합을 중간 정밀도라고 합니다. 이를 통해 최적화된 재현 전략을 수립할 수 있으며, 이는 다음 슬라이드에서 자세히 다룰 것입니다.
혼합 효과 모델을 사용하면 다른 검증 연구 요인에 대한 분산 성분도 추정할 수 있습니다. 이 경우 중간 매듭점도 변동되었습니다. JMP를 사용하면 이를 파레토 차트로 나타낼 수 있으므로 이 요인이 분산에 가장 큰 영향을 미친다는 것을 즉시 확인할 수 있습니다.
분산 성분 조정을 사용하여 동일 샘플을 다른 실행에서 또는 동일 실행 내에서 다른 위치에서 반복 측정함으로써 중간 정밀도를 줄일 수 있습니다. 이 그래프는 이러한 전략을 사용할 때 중간 정밀도가 어떻게 감소하는지 보여줍니다. 동일 실행 내에서 다른 플레이트에 대한 반복 측정 횟수를 늘리는 것도 중간 정밀도를 감소시키지만, 그 효과는 덜 두드러집니다. 여기서는 서로 다른 실행 결과를 보여줍니다. 이는 중간 정밀도를 감소시킵니다. 동일 실행 내에서 다른 플레이트를 살펴보면 중간 정밀도가 감소하는 것을 확인할 수 있습니다.
이는 또한 이러한 방식으로 변이를 줄이는 데에는 한계가 있음을 보여줍니다. 변이율을 약 15%에서 5%를 조금 넘는 수준으로 줄이면, 어느 시점부터는 더 이상 실현 가능하지 않게 됩니다. 검은색 선은 반복 횟수를 나타냅니다. 15개의 반복을 통해 변이율을 15%에서 5%로 줄여야 하는데, 이는 현실적으로 더 이상 불가능한 수준입니다.
두 번째 중요한 검증 매개변수는 상대적 정확도입니다. 여기서 우리는 측정된 상대적 효능 값이 샘플의 공칭 효능 값과 평균적으로 일치하는 것을 기대합니다. 우리가 계산하는 것은 이러한 평균값과의 편차입니다. 회귀 분석 후 결과가 직선에 가까워질 것으로 예상하는데, 이는 절편이 0이고 기울기가 1임을 의미합니다.
회귀 분석을 통해 명목 효능이 높을수록 과대평가되는 경향이 있음을 시각적으로 확인할 수 있습니다. 또한 JMP는 회귀 방정식을 제공하여 절편이 실제로 0에 가깝고 기울기가 실제로 1에 가까운지 확인할 수 있도록 해줍니다.
이는 동일한 데이터를 그래프로 나타낸 또 다른 방법입니다. 이 그래프는 명목상 효능이 높은 부분에서 과대평가되었거나 다소 과대평가되었을 가능성을 확인시켜 줍니다. 이 그래프 역시 동일한 데이터를 사용했으며, 예측 구간을 포함하여 개별 측정값이 이상치일 가능성을 평가할 수 있도록 했습니다.
또한, 이 그래프는 로그 명목 효능별 분산 추정치를 제공하며, 이 값들은 서로 일치해야 하고 평균적으로 전체 중간 정밀도를 나타냅니다. 혼합 효과 모델에서 분산이 일정해야 하므로 이 값들은 서로 일치해야 합니다.
마지막으로, 검증 매개변수는 점선으로 표시된 사전 정의된 허용 한계와 비교하여 평가됩니다. 이 경우, 최고 명목 효능인 200%는 검증을 통과하지 못합니다. 이는 앞서 육안 검사에서 이미 예상할 수 있었던 결과입니다.
또한, 작업자 성과 평가 또는 작업자 교육 과정의 일환으로 검증 및 자격 평가를 수행합니다. 검증 및 자격 평가는 반복적으로 실시하며, 이를 위해 데이터 분석에 도움이 되는 스크립트를 작성했습니다.
다음은 성능 검증입니다. 우리 방법의 성능과 관련된 검증 목표 허용 기준을 어떻게 설정할까요? 한 가지 방법은 규격 미달 확률을 이용하는 것입니다. 이 그래프는 특정 능력을 가진 방법에 대해 제조 공정이 목표치에 부합할 때, 즉 기준 표준의 100%를 달성했을 때, 규격 미달 측정값(이 시점에서는 발생해서는 안 되는 값)이 나올 확률이 매우 낮다는 것을 보여줍니다. 이것이 바로 우리가 원하는 결과입니다. 공정 평균값이 변하거나 목표치에서 벗어나면 규격 미달 결과가 나올 확률이 증가하는데, 이것 또한 바람직한 결과입니다.
이 등고선 그래프는 선택한 사양에 따른 OS(Out of Specification) 결과 획득 확률을 나타냅니다. 예시에서는 공정이 목표치에 부합할 때 OS 결과가 나올 확률이 70~143%입니다. 흰색 영역은 사양을 벗어날 확률이 5% 미만인 측정값을 나타냅니다. 이는 공정이 목표치에 부합할 때 선택한 사양에 대해 원치 않는 잘못된 사양 외 결과가 나올 확률이 매우 낮다는 것을 의미합니다.
더욱 엄격한 사양을 적용하면 이 영역이 크게 줄어듭니다. 검은색 선은 측정 방법의 성능을 나타내며, 이는 측정 방법의 측정 편향과 중간 정밀도의 조합입니다. 여기서는 편향 값이 12이고 중간 정밀도 값이 8%입니다.
이 사양에서는 이 방법이 적합하지 않습니다. 검은색 선들이 흰색 영역 바깥쪽을 지나갑니다. 하지만 이보다 덜 엄격한 사양에서는 이 방법이 적합합니다. 검은색 선들이 흰색 영역 안쪽을 지나갑니다. 이 그래프를 통해 검증 매개변수를 미리 정의된 허용 기준에 맞추는 대신, 이 영역에 속하는 최종 사후 상대 편향과 중간 정밀도 조합을 유연하게 선택할 수 있습니다. 예측 프로파일러도 본질적으로 동일한 정보를 제공합니다. JMP를 사용하면 데이터를 다른 방식으로 평가할 수 있을 뿐입니다.
마지막으로, 우리는 지속적인 절차 성능 검증을 통해 해당 방법이 의도된 목적에 적합하다는 것이 방법의 전체 수명 주기 동안 유지되는지 검증하고 관리합니다.
OPPV는 현재 진행 중인 작업으로, 이를 위해 스크립트를 작성하여 이러한 대시보드 레이아웃을 생성했습니다. 왼쪽 열 전환기에는 여러 가지 용량-반응 관련 매개변수를 추가하여 관리 결과를 허용 한계와 비교합니다. 즉, 빨간색으로 표시된 관리 한계값이 허용 한계(이 경우 파란색으로 표시된 상한값) 내에 있어야 합니다.
CUSUM 차트는 관리 샘플이 목표값(본 사례에서는 100%)에서 벗어나기 시작하는지 여부를 조기에 파악하는 데 도움이 됩니다. 이는 의도된 목적에 대한 적합성 상실 가능성을 조사해야 한다는 신호입니다.
시간 제약 때문에 자세히 말씀드리지는 못했지만, 마무리하면서 언급하고 싶은 것은 JMP를 생물학적 분석 수명 주기와 관련된 다른 중요한 작업, 예를 들어 생물학적 분석 분야에서 복잡하고 중요한 주제인 참조 표준 브리징이나 이러한 다인자 분석법에서 상당히 복잡할 수 있는 근본 원인 조사 등에도 사용한다는 점입니다.
마지막으로, 이 모든 작업을 수행하고 JMP를 사용하여 이러한 훌륭한 데이터를 생성해 준 제 그룹 구성원인 Dennie, Geert, Jake, Karlijn, Lisette, Pim, Rob, Sanne에게 감사를 표하고 싶습니다.
