Los ensayos de potencia relativa son fundamentales para evaluar la actividad biológica de los fármacos a lo largo de su ciclo de vida. Gestionar la variabilidad, optimizar las condiciones del ensayo y garantizar un rendimiento consistente son esenciales, pero también un reto.
Esta presentación explora cómo JMP apoya el desarrollo, la validación y el monitoreo de ensayos de potencia relativa en CMC (química, fabricación y controles).
Al integrar visualización de datos, análisis estadístico, herramientas de modelado (como regresión logística y la metodología de superficie de respuesta para establecer las condiciones óptimas del ensayo) y modelos de efectos mixtos (para estimar la precisión intermedia y las estrategias de replicación pertinentes), JMP facilita el desarrollo robusto de ensayos, la validación de procedimientos y la monitorización continua del rendimiento. Las capacidades de automatización y scripting de JMP optimizan aún más los análisis repetitivos de datos, facilitan las evaluaciones del rendimiento de métodos y operadores, y la verificación continua del rendimiento del procedimiento (OPPV) de bioensayos en un entorno regulado.
El título de mi presentación es "El uso de JMP durante el ciclo de vida de un activo de potencia relativa para CMC". Trabajo en Byondis, una empresa con sede en Nimega, al este de los Países Bajos. Contamos con una plantilla de entre 300 y 350 personas. Nos dedicamos a crear medicamentos dirigidos a cánceres principalmente intratables. Nuestros productos son anticuerpos, conjugados y anticuerpos monoclonales.
Los anticuerpos monoclonales son proteínas macromoleculares complejas con forma de Y. Se producen a partir de sistemas de expresión en cultivos celulares recombinantes, y estas células se modifican genéticamente para contener la información necesaria para producir el producto deseado. Esta es una representación de un conjugado anticuerpo-fármaco, donde, nuevamente, se observa la estructura macromolecular compleja con forma de Y. El fármaco se une mediante un enlace, que es una fracción química.
Este es un resumen general del ciclo de vida de un producto biotecnológico. Tenemos investigación, desarrollo y, con suerte, comercialización. Nuestros colegas investigadores son responsables del desarrollo de un candidato clínico, un compuesto prometedor que ha demostrado suficiente eficacia y seguridad en las pruebas preclínicas. Consideramos que es suficiente para avanzar a ensayos clínicos.
La parte de desarrollo es lo que llamamos CMC, que significa fabricación y control químico. Aquí desarrollamos nuestro proceso de producción. Queremos que este proceso de producción resulte en un fármaco seguro y, con suerte, eficaz en humanos, y queremos mantener una calidad constante.
Hay dos grupos principales responsables del desarrollo de este proceso: el Departamento de Procesamiento Upstream y el Departamento de Procesamiento Downstream. La USP se centra en optimizar las condiciones para el crecimiento del motor en biorreactores y también es responsable de ampliar el proceso de producción. El DSP se encarga de la purificación y el aislamiento del producto biológico del cultivo celular y garantiza que el producto final sea puro, concentrado y libre de contaminantes.
Para desarrollar sus respectivos procesos, estos grupos necesitan tomar decisiones informadas, basadas en datos, con fundamento científico y en el análisis de riesgos. Gran parte de la información que necesitan la proporciona el grupo de desarrollo analítico. Mi grupo forma parte de este grupo y se denomina grupo de ensayos de potencia, o el grupo que desarrolla ensayos funcionales.
Los ensayos de potencia cuantifican la actividad biológica inducida por el producto al interactuar con el sustrato biológico objetivo. Preferiblemente, buscamos que imite la actividad biológica en la situación clínica.
Este es el ciclo de vida de un ensayo de potencia, o, si se prefiere, de cualquier método analítico. Al diseñar y desarrollar el método, demostramos su idoneidad para el propósito previsto y verificamos y controlamos que esta idoneidad demostrada se mantenga durante todo el ciclo de vida del método.
Como preámbulo al diseño y desarrollo del ensayo de potencia, debemos considerar lo siguiente. Un método analítico, o los métodos analíticos en general, son esencialmente un proceso. El proceso analítico convierte la entrada, en este caso la muestra, en datos brutos, que son el resultado. Los datos brutos para ensayos de potencia consisten en un conjunto de mediciones resultantes de la exposición de un sistema biológico a concentraciones crecientes del fármaco o producto. Esto resulta en un aumento de la actividad biológica que finalmente se estabiliza.
A continuación, realizamos una regresión logística sobre los datos brutos para ajustar un modelo a ellos, lo que genera relaciones dosis-respuesta. Estas relaciones dosis-respuesta contienen información de parámetros que nos permite comparar la curva dosis-respuesta mediada por la muestra con una curva estándar de referencia (en rojo). A continuación, calculamos un desplazamiento horizontal, lo que nos proporciona una estimación de la potencia relativa, que expresamos como porcentaje o como proporción. Finalmente, este valor de potencia relativa, o la media geométrica de un número específico de valores de potencia relativa, nos proporciona información.
Para resumir el preámbulo, los bioensayos, con diferentes nombres (ensayos de biopotencia y ensayos biológicos), representan conceptualmente un proceso. Por consiguiente, JMP puede aplicar una gran cantidad de herramientas genéricas para el desarrollo, la resolución de problemas y el control de procesos. Cabe recordar que estos ensayos suelen presentar una variabilidad mayor que la de las pruebas químicas.
Nos dedicamos al diseño y desarrollo. Cuando se requiere un bioensayo, comenzamos identificando y seleccionando las variables potencialmente críticas. Para ello, utilizamos el conocimiento previo, que constituye nuestra base de conocimientos, y aplicamos el razonamiento científico y el sentido común, considerando las limitaciones prácticas y realizando la experimentación inicial. Para organizar sus ideas en torno a todas estas consideraciones, puede utilizar, por ejemplo, el diagrama de Ishikawa. Esta es una funcionalidad que ofrece JMP.
Luego, comenzamos a establecer nuestro espacio de diseño, que en términos analíticos se denomina MODR (región de diseño operable por método). Buscamos la configuración óptima mediante el diseño de experimentos para generar curvas que nos proporcionen resultados de potencia relativa precisos y exactos.
Este es el resultado de un experimento multivariado de diseño, en el que variamos las células diana y efectoras, o el número de células diana y efectoras. La inspección visual sugiere que las curvas rojas no necesariamente cumplen nuestros requisitos, por lo que debemos elegir una de las curvas negras. Para tomar una decisión objetiva sobre qué curva dosis-respuesta es la mejor, debemos basarnos en el análisis estadístico.
Cuando se familiarice con estos diseños de modelos de superficie de respuesta, reconocerá los planes de contorno, el perfilador de predicción y el gráfico de superficie de respuesta. El perfilador de predicción muestra los factores de interés, el rango de niveles, nuestras respuestas de interés, los factores más significativos en rojo y los resultados deseados. En este caso, queremos que esta respuesta sea lo más baja posible, que esta se ajuste al objetivo y que esta sea lo más alta posible.
Para ajustar un modelo a nuestros datos, utilizamos la regresión logística de 4 parámetros. Esto se puede realizar en JMP, aunque utilizamos software específico validado por GMP. Tenga en cuenta que JMP utiliza una terminología diferente para lo que llamamos parámetro de pendiente y CE50 o CI50. JMP utiliza los términos tasa de crecimiento y punto de inflexión. Tasa de crecimiento para el parámetro de pendiente y punto de inflexión para CE50. JMP también nos proporciona todos los demás estadísticos relevantes. Por ejemplo, la F-Prob para una prueba de paralelismo y, por supuesto, nuestros valores de potencia relativa, que JMP proporciona en relación con un estándar de referencia como borrado.
A continuación, se realiza la calificación o validación del rendimiento, donde demostramos la idoneidad para el propósito previsto. Me centraré en dos características principales del rendimiento de la validación: la exactitud relativa y la precisión intermedia.
La validación en sí misma es el acto de demostrar que un procedimiento es adecuado para el propósito previsto. Utilizo los términos «calificación» y «validación» indistintamente porque la norma USP<1220> establece que todas las actividades que confirman su idoneidad para el propósito previsto pueden considerarse bajo el paraguas de la validación.
Este es un ejemplo de un diseño de validación. De hecho, este diseño proviene de United States Philanthropy en 1033 para bioensayos. Contamos con dos operadores. Mediremos un rango de potencias nominales entre el 50 % y el 200 % durante varias ejecuciones o días en diferentes placas de 96 pocillos en la misma ejecución. Además, la USP agrega diferentes lotes de medios, lo que constituye otro factor a considerar.
Esta es una representación gráfica de las mediciones de potencia relativa resultantes de este diseño de validación. Tenemos diferentes mediciones intraensayo, es decir, la misma muestra en diferentes placas o la misma concentración nominal en diferentes placas. Tenemos diferentes mediciones interensayo, es decir, estas son las diferentes series. Todo esto corresponde a la potencia relativa nominal. Además, tenemos dos operadores diferentes: el azul y el rojo se denominan operadores diferentes. A partir de estos datos, podemos estimar la exactitud y la precisión.
JMP nos permite calcular y utilizar un modelo de efectos mixtos con estimación de máxima verosimilitud restringida para estimar nuestros componentes de varianza intra-estudio e inter-estudio. La suma de estos componentes de varianza constituye lo que denominamos precisión intermedia. Esto nos permite establecer una estrategia de replicación optimizada, que abordaremos en una diapositiva posterior.
Utilizando un modelo de efectos mixtos, también podemos estimar los componentes de varianza de otros factores del estudio de validación. En este caso, se variaron los nudos medianos. JMP nos permite representar esto en un diagrama de Pareto, lo que nos permite identificar inmediatamente que este factor es el que más contribuye a la varianza.
Podemos usar el ajuste del componente de varianza para reducir la precisión intermedia repitiendo la medición de la misma muestra en diferentes ejecuciones o en diferentes lugares de la misma. Este gráfico muestra cómo se reduce la precisión intermedia al usar esta estrategia. Aumentar el número de mediciones repetidas en diferentes placas durante la misma ejecución también reduce la precisión intermedia, pero de forma menos pronunciada. Aquí tenemos las diferentes ejecuciones. Esto reduce la precisión intermedia. Si observamos las diferentes placas durante la misma ejecución, también observamos una reducción de la precisión intermedia.
Esto también nos muestra que reducir las variantes de esta manera es finito. Pasamos de aproximadamente un 15% a algo más del 5%. En algún momento, esto ya no es factible. En negro, tenemos el número de repeticiones. Contamos con 15 repeticiones para reducir nuestras variantes del 15% al 5%, y esto prácticamente ya no es factible.
El segundo parámetro de validación importante es la precisión relativa. En este caso, esperamos encontrar mediciones de potencia relativa que, en promedio, coincidan con la potencia nominal de las muestras. Lo que calculamos es una desviación de estos promedios. Esperamos que, tras la regresión, los resultados se acerquen a la línea unitaria, lo que significa que tenemos una intersección de cero y una pendiente de uno.
Podemos observar visualmente que la regresión sugiere una sobreestimación a una potencia nominal más alta. JMP también nos proporciona una ecuación de regresión donde podemos verificar si nuestra intersección se aproxima a cero y nuestra pendiente a uno.
Esta es otra forma de representar gráficamente los mismos datos. Confirma que tenemos una sobreestimación, o algo así, probablemente en las potencias nominales altas. Este gráfico, de nuevo, incluye intervalos de predicción que nos permiten evaluar las mediciones individuales en términos de posibles valores atípicos.
Además, este gráfico nos proporciona estimaciones de varianza por logaritmo de la potencia nominal, que deberían ser coherentes entre sí y, en promedio, representar la precisión intermedia total. Deberían ser coherentes entre sí, ya que buscamos una varianza constante para el modelo de efectos mixtos.
Finalmente, los parámetros de validación se comparan con los límites de aceptación predefinidos, marcados con la línea punteada. En este caso, el 200 %, la potencia nominal más alta, no pasaría la validación, algo que ya preveíamos tras la inspección visual.
También realizamos validaciones y cualificaciones como herramienta para evaluar el desempeño de los operadores o como parte de su capacitación. Realizamos ejercicios de cualificación y validación repetidos. Para facilitar esto, contamos con scripts que nos ayudan con el análisis de datos.
El siguiente paso es la calificación del rendimiento. ¿Cómo establecemos los criterios de aceptación del objetivo de validación asociados al rendimiento de nuestros métodos? Una forma de abordar esto es mediante la probabilidad de estar fuera de especificación. Este gráfico muestra que, para un método con una capacidad dada, cuando el proceso de fabricación se ajusta al objetivo, es decir, con suerte, al 100 % del estándar de referencia, la probabilidad de una medición de SO, que no debería obtenerse en este punto, es muy baja. Eso es lo que buscamos. Cuando la media del proceso cambia, cuando se desvía del objetivo, la probabilidad de obtener un resultado fuera de especificación aumenta, que es precisamente lo que buscamos.
Este gráfico de contorno muestra las probabilidades de obtener un resultado de SO en relación con la especificación elegida. En este ejemplo, el valor es del 70-143 % cuando el proceso cumple con los objetivos. El área blanca representa una medición con una probabilidad de estar fuera de especificación inferior al 5 %. Esto representa una baja probabilidad de obtener un resultado no deseado, falso y fuera de especificación para la especificación elegida cuando el proceso cumple con los objetivos.
Una especificación más estricta reduce significativamente esta área. Las líneas negras representan la capacidad del método, que es una combinación del sesgo de medición y la precisión intermedia del método. Aquí tenemos los valores numéricos de 12 para el sesgo y 8% para la precisión intermedia.
Para esta especificación, este método no es compatible. Las líneas negras se cruzan fuera del área blanca. Para esta especificación menos estricta, el método sí lo es. Las líneas negras se cruzan dentro del área blanca. Este gráfico nos brinda cierta flexibilidad para elegir combinaciones de sesgo relativo post hoc final y precisión intermedia que se encuentren en esta área, en lugar de comparar los parámetros de validación con criterios de aceptación predefinidos. El generador de perfiles de predicción nos proporciona, en esencia, la misma información. Simplemente, JMP nos permite evaluar los datos de una manera diferente.
Por último, contamos con una verificación continua del desempeño del procedimiento, donde verificamos y controlamos que la idoneidad demostrada para el propósito previsto se mantenga durante todo el ciclo de vida del método.
La OPPV es un ejercicio en curso para el cual hemos desarrollado scripts que dan como resultado este diseño de panel. A la izquierda, en el selector de columnas, hemos añadido varios parámetros asociados a la dosis-respuesta que controlamos y comparamos con los límites de aceptación. Es decir, nuestros límites de control en rojo deben estar dentro de nuestros límites de aceptación, que en este caso son solo un límite superior en azul.
Los gráficos CUSUM nos ayudan a identificar con antelación si nuestra muestra de control se está alejando de su valor objetivo. En nuestro caso, es del 100 %. Esto nos permite investigar una posible pérdida de aptitud para el propósito previsto.
Lo que no discutí debido a limitaciones de tiempo, pero me gustaría mencionar para concluir, es que utilizamos JMP para otros ejercicios relevantes asociados con el ciclo de vida del bioensayo, como la conexión de estándares de referencia, que es un tema complejo y candente en el mundo del bioensayo, y las investigaciones de causa raíz, que pueden ser bastante complejas para estos métodos multifactoriales.
Por último, me gustaría agradecer a mi grupo, Dennie, Geert, Jake, Karlijn, Lisette, Pim, Rob, Sanne, porque estas son las personas que hacen todo el trabajo y trabajan con JMP para generar estos buenos datos.
