La demande croissante de procédés de fabrication de vecteurs lentiviraux robustes et évolutifs pour la thérapie cellulaire et génique a favorisé l'adoption de méthodologies avancées. Cette présentation explore une approche novatrice du développement de procédés, axée sur une stratégie de qualité par la conception (QbD), et notamment sur les puissantes fonctionnalités du logiciel JMP.
Conformément aux exigences réglementaires strictes en matière de qualification des performances des procédés, notre méthodologie intègre harmonieusement les principes traditionnels et modernes, tout en tirant parti de JMP comme outil essentiel lors de la phase 1 de conception des procédés du cycle de vie de la validation des procédés. L'utilisation de JMP pour la conception d'expériences (DOE) facilite la caractérisation complète du procédé de fabrication du vecteur lentiviral, permettant l'identification précise des paramètres critiques du procédé (CPP) et l'établissement de plages acceptables validées (PAR).
En exploitant les fonctionnalités d'analyse statistique et de visualisation du logiciel, nous garantissons une prise de décision fondée sur les données, améliorant ainsi la compréhension et le contrôle des procédés. Cette présentation souligne le rôle clé de JMP dans le développement de l'application des principes de la qualité par la conception (QbD) afin de répondre aux exigences évolutives des bioprocédés.
Bienvenue à ma présentation. Je m'appelle Johann-Christoph Dettmann et je souhaite vous présenter aujourd'hui notre approche de l'utilisation de la méthodologie des plans d'expériences pour accélérer le développement des procédés de fabrication de vecteurs lentiviraux. Cette approche est actuellement mise en œuvre avec succès dans le cadre d'un projet client au sein de notre département de développement des procédés à Gaithersburg, et a été développée en collaboration avec Thomas Little Consulting.
Dans ma présentation d'aujourd'hui, je compléterai la stratégie d'analyse de données établie en présentant également des perspectives alternatives que je juge très utiles. La présentation sera divisée en deux parties. Dans la première, je donnerai une introduction générale au sujet, puis je ferai une brève démonstration de l'utilisation de JMP pour évaluer les plans d'expériences.
Avant de commencer, je souhaite vous présenter brièvement nos principales compétences. Miltenyi Bioindustry est une CDMO spécialisée dans les thérapies cellulaires et géniques et fait partie du groupe Miltenyi Biotec. Forts de notre expertise acquise grâce à notre propre expérience dans la production de vecteurs lentiviraux et de produits cellulaires, conformes aux BPF, nous développons également des produits CAR-T.
Nous proposons également ici une vaste plateforme de fabrication de vecteurs lentiviraux, et en outre, nous pouvons également offrir ici... Notre équipe de développement de procédés apporte son soutien pour l'optimisation des procédés ou des études de caractérisation spécifiques, ce qui peut réellement faciliter la commercialisation.
Nous proposons également des plateformes analytiques standard qui peuvent être développées pour mettre en place des analyses supplémentaires, et nous pouvons également accompagner le transfert de technologies et d'analyses vers les installations de production cellulaire internes de nos clients, et leur fournir des conseils grâce à nos experts en réglementation.
Notre siège social se trouve à Bergisch Gladbach, où sont installées des installations pour le développement des procédés de production de vecteurs lentiviraux et pour la production cellulaire. Nous possédons également des usines de production cellulaire à Gaithersburg, San José et Shanghai. Notre principal site de production de vecteurs conforme aux BPF en Allemagne est situé à Teterow. Nous disposons également d'installations de production de vecteurs à grande échelle à Gaithersburg, où se trouve également notre siège social pour le développement des procédés de production de vecteurs lentiviraux.
Pour la production de vecteurs, nous proposons un système de troisième génération, garantissant le respect des normes de sécurité les plus strictes. Notre procédé, sans sérum et en suspension, est adaptable à une production à plus grande échelle et peut être mis en œuvre aux États-Unis ou à Teterow. En tant que fabricant mondial de vecteurs conformes aux BPF, nous bénéficions d'une expertise considérable, acquise grâce à la fabrication réussie de centaines de lots BPF avec notre plateforme de production.
Ces diapositives présentent un aperçu du cycle de vie d'un produit, que vous devriez suivre pour commercialiser votre produit, par exemple un produit de thérapie cellulaire et génique. À partir de ce graphique, je vais vous montrer la phase de ce cycle de vie que nous allons examiner plus en détail.
Vous commencerez par recueillir des informations sur votre produit et le procédé à développer, afin d'établir une liste d'attributs de qualité reflétant fidèlement la qualité de votre produit. Ensuite, vous procéderez aux phases respectives de développement et de caractérisation du procédé, ce qui permettra d'élaborer la stratégie de contrôle et de définir l'espace de conception.
Ensuite, on procède à la qualification des performances du processus, également appelée validation du processus. Toutefois, cette étape ne constitue pas une qualification finale ; elle représente plutôt le point de départ d’une vérification continue de ce statut de qualification, aussi appelée vérification continue du processus.
Bien sûr, nous ne pourrons pas aborder tous les aspects de ce diagramme ici, mais je souhaite aujourd'hui me concentrer sur la génération de l'espace de conception et les méthodes utilisées. Nous verrons également comment définir les paramètres critiques de votre procédé, c'est-à-dire ceux dont la variabilité influe sur les attributs de qualité critiques et qui doivent donc être surveillés et contrôlés. Nous aborderons aussi la définition des plages acceptables validées pour vos paramètres de procédé. Ces plages correspondent à un intervalle de valeurs caractérisé pour un paramètre de procédé, au sein duquel le fonctionnement, tous paramètres étant maintenus constants, permet d'obtenir un matériau de qualité acceptable.
Avant d'aborder ce point, j'aimerais apporter quelques précisions concernant l'espace de conception. Un schéma est présenté ici à gauche : la zone blanche représente la zone conforme aux spécifications, et la zone grisée, la zone non conforme. À ma connaissance, l'espace de conception n'est pas une exigence obligatoire pour la validation des procédés. Toutefois, les autorités compétentes recommandent fortement sa mise en place.
Il s'agit d'un concept défini dans la norme ICH Q8 comme une combinaison et une interaction multidimensionnelles de variables d'entrée garantissant la qualité. Ce concept est établi par une approche systématique impliquant l'optimisation des attributs critiques des matériaux et des paramètres de procédé, à l'aide d'outils tels que la planification d'expériences. L'espace de conception garantit en outre que le procédé fonctionne dans les limites de paramètres définis afin de respecter systématiquement les normes de qualité et les spécifications du produit.
Elle permet également une flexibilité et un contrôle des processus tout en préservant la qualité du produit, car elle permet d'identifier les modes de défaillance potentiels et les limites de fonctionnement. Ainsi, dès la conception, nous sommes enfin en mesure de définir nos plages de paramètres spécifiques, nos plages acceptables validées.
Mais comment définir notre espace de conception ? Nous commencerions par une évaluation des risques préliminaire. Bien sûr, plusieurs étapes précèdent cette évaluation, notamment la définition du périmètre du produit et du processus. Cependant, nous n'aborderons pas ce sujet aujourd'hui.
L'évaluation des risques de bas niveau consiste ici à estimer, en fonction des risques, les paramètres de procédé potentiellement influents. Nous commencerons par recenser les paramètres pertinents et les corréler aux réponses respectives. L'évaluation s'appuiera ensuite sur l'analyse de l'impact potentiel de la variation d'un paramètre sur nos réponses.
Par exemple, si l'on suppose un impact très important d'un paramètre de procédé, ou si l'on ne dispose d'aucune information préalable sur une influence potentielle, on définira ici un score de risque élevé. En revanche, si l'on sait déjà que ce paramètre de procédé n'a pas d'influence, ou si l'on en est fortement certain, on peut définir ou annoter ici un score de risque faible. Ceci permet d'identifier les paramètres de procédé potentiellement non influents, qui peuvent ensuite être exclus de l'étude DOE.
On peut appliquer le même raisonnement aux termes d'ordre supérieur, c'est-à-dire aux interactions à deux facteurs ou aux termes quadratiques. Là encore, les justifications scientifiques et les connaissances préalables sont essentielles pour déterminer quels termes d'ordre supérieur doivent être inclus dans l'étude et lesquels doivent être exclus.
Dans les deux évaluations, l'évaluation des effets principaux et l'évaluation des interactions nous permettent finalement de définir très clairement le plan d'étude DOE, car en termes simples, on peut dire que pour chaque terme du modèle que l'on souhaite étudier, une expérimentation supplémentaire est nécessaire, et grâce à cette approche, il devient possible de créer un plan spécifique parfaitement adapté à vos besoins particuliers.
Pour générer notre étude DOE, nous utilisons la plateforme DOE personnalisée de JMP. Une fois notre étude DOE conçue, les équipes peuvent réaliser les expériences en laboratoire, collecter les données et les utiliser pour définir notre modèle statistique. Ce modèle décrit la relation entre nos variables d'entrée (les facteurs) et notre réponse. Il permet ensuite de définir nos paramètres critiques de procédé (CPP), car nous partons du principe que l'évaluation des risques seule ne suffit pas à détecter et maîtriser les CPP. Seules des mesures de l'influence directe des facteurs sur la réponse sont nécessaires. La méthode DOE est ici clairement la plus appropriée, car elle permet d'isoler l'influence de chaque facteur et interaction sur la réponse critique.
Pour définir nos paramètres critiques de procédé (CPP), nous avons besoin, d'une part, de nos estimations normalisées afin d'obtenir l'ampleur de l'effet de nos facteurs, et d'autre part, de la plage de tolérance, c'est-à-dire l'intervalle entre la limite de spécification supérieure et la limite de spécification inférieure. Enfin, nous identifions les facteurs qui, dans notre étude de plans d'expériences (DOE), modifient la moyenne de la réponse de plus de 20 % de la tolérance, et nous les considérons comme des paramètres critiques de procédé. Je le répète : les facteurs qui modifient la moyenne de la réponse de plus de 20 % de la tolérance dans notre étude DOE sont considérés comme des paramètres critiques de procédé.
Après avoir défini nos paramètres critiques de procédé (CPP) pour nos opérations unitaires, l'espace de conception est utilisé pour définir les plages de valeurs spécifiques des facteurs de notre procédé. Cet espace étant très dynamique et dépendant des valeurs des différents facteurs, nous utilisons des simulations de Monte Carlo pour simuler la variabilité inter-lots et explorer la nature dynamique de cet espace.
La simulation inclura trois sources de variation principales. D'une part, la variation issue du modèle, de la réponse ou du produit caractérisé, ainsi que la variation de chaque facteur étudié. D'autre part, nous prendrons en compte la variation résiduelle, non expliquée par le modèle, également appelée erreur quadratique moyenne. Celle-ci peut, par exemple, provenir de la méthode analytique. Grâce à ces informations, JMP est capable de générer ou de simuler des milliers d'expériences, ce qui permet d'évaluer la capabilité de votre procédé.
Par exemple, dans cet exemple, nous constatons que nous avons un taux de défauts ou un taux de non-conformité supérieur à 33 %, ce qui est beaucoup trop élevé ; nous avons donc clairement besoin d'une adaptation des limites du processus ou des limites des paramètres.
Pour définir nos plages de facteurs, nous utilisons un script fourni par notre consultant, très similaire à l'outil Design Space Profiler. Ce script permet de visualiser les données simulées ainsi que les taux de défaillance prévus par le processus. Les points rouges représentent les essais expérimentaux simulés non conformes aux spécifications, tandis que les points verts représentent nos essais de contrôle.
J'apprécie particulièrement ce graphique car il permet d'évaluer précisément l'influence des facteurs sur notre réponse. Par exemple, pour le facteur D, on constate, en corrélation avec la réponse A, qu'aux valeurs élevées de ce facteur, la proportion d'essais non conformes est plus importante. En ajustant manuellement ces limites, nous pouvons définir des plages de paramètres de processus plus pertinentes et plus fiables, permettant ainsi une production plus robuste. Auparavant, nous avions environ 33 % de points hors spécifications ; nous sommes maintenant en dessous de 1 %, ce qui répond pleinement à nos exigences. Ces limites, définies manuellement, servent désormais de plages de référence pour les paramètres de processus.
Nous définissons ensuite notre plage de fonctionnement normale, qui est basée sur des données historiques, l'équipement et les capacités personnelles, en tenant également compte des plages acceptables établies et éprouvées, ce qui signifie que ces limites NOR doivent normalement être plus strictes que les PAR.
Voici ma présentation. Je vais maintenant passer à la présentation JMP. Je souhaite vous montrer aujourd'hui un exemple tiré d'une de nos études de caractérisation. Dans ce plan d'expériences, nous avions cinq réponses différentes. Nous avons également étudié six facteurs différents et, suite à une évaluation préliminaire des risques, nous avons décidé d'étudier tous les effets principaux, mais aussi certaines interactions à deux facteurs, ainsi que certains termes quadratiques, ce qui a abouti à un plan d'expériences d'environ 16 essais.
Pour évaluer notre étude de plans d'expériences (DOE), nous utilisons généralement la plateforme d'ajustement de modèles de JMP. Avant d'évaluer le modèle en détail, nous commençons toujours par un contrôle de qualité des données. Cela signifie que nous examinons les résidus de notre modèle afin de déceler d'éventuels motifs, qui indiqueraient la présence d'un effet actif inconnu. Normalement, les résidus devraient être répartis aléatoirement autour de la ligne zéro. La ligne bleue représente ici la distribution normale des résidus, ce qui est le cas dans notre situation.
Pour détecter les valeurs aberrantes, nous utilisons les résidus studentisés externes. Il est recommandé d'utiliser les limites de Bonferroni, car elles offrent une approche plus conservatrice, réduisant ainsi le risque de détecter à tort un point hors tendance, une valeur aberrante.
Voici quelques remarques complémentaires concernant le traitement des valeurs aberrantes, notamment dans un contexte réglementaire strict, par exemple lors de la production de rapports pour la FDA. Même si vous détectez une valeur aberrante (c'est-à-dire une donnée potentiellement en dehors des limites de Bonferroni), il n'est pas nécessaire de l'exclure automatiquement de votre jeu de données. Il est toujours recommandé de justifier scientifiquement cette exclusion, par exemple en cas d'erreur de manipulation non documentée ou d'erreur dans la méthode analytique.
Si vous ne disposez pas de cette méthode, vous pouvez également envisager une comparaison de modèles, c'est-à-dire comparer le modèle avec et sans valeur aberrante. Cette comparaison doit ensuite être étayée par une argumentation expliquant pourquoi le modèle sans valeur aberrante est plus représentatif de votre processus. Cependant, l'exclusion de points de données sur une seule base statistique n'est pas recommandée.
Après vérification de la qualité des données, nous procéderons à la régression de notre modèle. Pour ce faire, nous utiliserons une régression descendante pas à pas, ce qui signifie que nous éliminons du modèle les termes non significatifs. Nous respectons ici le principe de hiérarchie des effets : nous ne pouvons supprimer les effets principaux que s’ils ne sont pas inclus dans un terme d’ordre supérieur, comme un effet quadratique ou une interaction.
Ceci est, par exemple, indiqué ici par ce petit symbole. Cela nous montre que cet effet principal fait également partie d'une interaction ; nous ne pourrions donc pas exclure cet effet principal à moins d'exclure également cette interaction. Nous pouvons donc exclure cet effet principal, car il ne fait pas partie d'un terme d'ordre supérieur.
Oui, notre seuil de suppression de termes du modèle est fixé à une valeur p de 0,1, et dans les situations où nous sommes très proches de ce seuil, nous prenons également en compte l'erreur quadratique moyenne de notre modèle, ce qui signifie que lorsque nous supprimons ce terme et que l'erreur quadratique moyenne diminue, cette exclusion est justifiée car nous souhaitons réduire la variation inconnue, qui est représentée par l'erreur quadratique moyenne.
Cependant, lorsque nous supprimons ce terme et que l'erreur quadratique moyenne (RMSE) augmente, ce qui est actuellement le cas, nous n'excluons pas ce point de données, car il contribue manifestement à expliquer la variation du modèle, ou plutôt, la variation du modèle dans notre expérience.
Une fois notre modèle final établi, nous enregistrerons la formule de prédiction, ainsi que celle de l'erreur standard, essentielle pour définir nos plages de valeurs acceptables. Auparavant, nous définirons les paramètres critiques de notre processus. Pour cela, nous devons nous assurer que le tableau d'estimation normalisée est ouvert, ce qui est actuellement le cas. Nous utiliserons ensuite un module complémentaire de notre consultant, un script spécifique, qui permet d'identifier ces paramètres critiques.
Voici comment cela fonctionne. Il faut d'abord sélectionner le rapport du modèle FIT où s'affiche le tableau des estimations normalisées, puis définir les limites de spécification de la réponse étudiée. Idéalement, ces limites devraient déjà être prédéfinies. Cependant, lors de l'étude d'une opération unitaire au sein d'un processus, par exemple, ces limites pour le produit intermédiaire peuvent ne pas encore exister. Dans ce cas, on utilise des données normalisées, puis les valeurs minimales et maximales des lots ayant satisfait aux spécifications du produit final.
Si cette information n'est pas disponible, nous utilisons une méthode par défaut pour définir les limites de spécification : la limite inférieure est fixée à 80 % de la moyenne du processus DOE et la limite supérieure à 150 % de cette même moyenne. Heureusement, dans notre cas, nous disposons déjà de limites de spécification : la limite inférieure est de 150 et la limite supérieure de 350.
Nous pouvons donc poursuivre. L'étape suivante consiste à définir le seuil de détermination des paramètres critiques du procédé. Comme indiqué précédemment, nous considérons qu'un paramètre est critique à partir d'un écart moyen de 20 % de la tolérance. Toutefois, vous pouvez adapter ce seuil à vos besoins, qu'il s'agisse d'augmentations ou de diminutions, mais nous conserverons ici la valeur de 20 %.
Enfin, nous cliquerons sur « Exécuter ». Le script effectuera alors le calcul CPB, qui consiste à multiplier l'estimation normalisée (ou les coefficients, également appelés demi-effets) par un coefficient multiplicateur spécifique. Pour les effets principaux, nous appliquons un coefficient de deux. Il en va de même pour les interactions ; pour les effets quadratiques, nous utilisons ici un coefficient de un.
On calcule ensuite l'effet total, puis on le met en relation avec la plage de tolérance, c'est-à-dire la zone entre la limite de spécification supérieure et inférieure. Si l'effet total dépasse 20 % de cette plage de tolérance, on déclare ce terme comme un paramètre de processus critique, ce qui est vrai pour les trois premiers termes de notre modèle.
Après avoir défini nos paramètres de processus critiques, cet exercice est bien sûr répété pour toutes les réponses de notre modèle. Nous utiliserons ensuite le profileur pour définir les plages acceptables validées pour ces paramètres. J'ai effectué un pré-remplissage, mais je vais brièvement expliquer la procédure. J'ai ouvert l'option « Simulateur » dans le menu du profileur, puis j'y ai ajouté les valeurs RMSE correspondantes, représentant le bruit aléatoire des réponses.
De plus, j'ai également défini une distribution triangulaire. Celle-ci est initialement appliquée aux facteurs respectifs, le pic étant situé au point de consigne du processus à l'échelle industrielle, et les extrémités inférieure et supérieure représentant les points extrêmes de l'étude DOE.
Nous pourrions alors facilement simuler notre processus et observer son taux de défauts. Comme on peut le constater, il est assez élevé : environ 33 %. Il est donc clair qu’une amélioration est nécessaire.
Auparavant, nous utilisions le script Edge of Failure fourni par notre consultant pour définir nos plages de tolérance validées. Cette méthode est toujours employée sur le site de Lentigen et sur notre site de développement de procédés à Gaithersburg, car ils utilisent encore JMP 16. Cependant, depuis JMP 17, le Design Space Profiler est également disponible, et c'est un outil que je souhaite vous présenter aujourd'hui.
J'ouvre le Profiler d'espace de conception. Ce que j'apprécie particulièrement, c'est la possibilité de visualiser directement la section d'inspection pour l'ensemble du processus. Cette section est également disponible pour chaque réponse, ce qui nous permet de consulter la section d'inspection individuelle. Nous pouvons ainsi adapter manuellement nos plages de facteurs ou automatiser cette opération, ce que je vais faire.
Vous pouvez constater que la part contrôlée augmente, les plages de facteurs diminuent, et notre objectif est d'atteindre une part contrôlée d'au moins 99 %, ce qui est actuellement le cas. Vous pourriez vous dire : « C'est très restrictif. Ce n'est pas pratique pour nos équipes de production. » Bien sûr, vous pouvez adapter ces limites à vos besoins.
Par exemple, ici, nous avons une grande flexibilité ; nous pourrions resserrer légèrement cette plage, et celle-ci aussi, et comme nous le voyons, cela me donne encore plus de flexibilité. C'est très bien. Vous pouvez continuer ainsi jusqu'à ce que vous soyez satisfait de vos plages de paramètres et de votre zone d'inspection. Ces limites sont définies ultérieurement, ou plutôt par cette procédure. Vous avez bien sûr la possibilité de réduire cela à une décimale plus pertinente, les plages de facteurs respectives ici, mais il s'agit alors des plages acceptables pour le processus.
Nous pourrions alors également nous intéresser aux points médians respectifs du profileur, ainsi qu'aux limites respectives, et là nous utilisons l'option normale avec limites à trois sigma, puis nous pourrions revérifier notre partie inspection du processus, qui est, bien sûr, à nouveau supérieure à 99 %, ce qui était notre objectif, donc très bien.
Enfin, il est bien sûr également très important et nécessaire de valider ces limites avec les services de production, car ces limites doivent évidemment être applicables dans le cadre de la production courante, et c'est ensuite ce point qui est discuté avec certains services de production.
J'espère vous avoir démontré que nous avons mis en place une approche pertinente pour l'utilisation de l'espace de conception dans la définition des paramètres critiques de procédé (PAR) et des paramètres critiques de procédé (CPP). Nous avons initialement abordé une approche basée sur les risques afin de définir une conception sur mesure pour les études DOE, véritablement adaptée à vos exigences spécifiques. Nous avons également discuté de la définition des paramètres critiques de procédé, en tenant compte de leur impact réel sur nos attributs de qualité critiques (CQA). Enfin, nous avons expliqué comment définir des plages acceptables validées pour votre procédé et comment utiliser l'outil Design Space Profiler à cette fin.
Comme je l'ai dit, nous utilisons également cette approche pour nos propres produits et sommes ravis qu'un de nos clients ait obtenu l'an dernier son autorisation de mise sur le marché grâce à cette méthode. Je vous remercie de votre attention.
