細胞治療および遺伝子治療における堅牢かつスケーラブルなレンチウイルスベクター製造プロセスへの需要が高まり、高度な手法の導入が進んでいます。本プレゼンテーションでは、プロセス開発における革新的なアプローチを深く掘り下げ、特にJMPソフトウェアの強力な機能に重点を置き、Quality by Design（QbD）戦略に焦点を当てます。
プロセス性能適格性評価（PQQ）に関する厳格な規制要件を遵守するため、当社の方法論は、従来の原則と最新の原則をシームレスに統合し、プロセスバリデーションライフサイクルの第1段階のプロセス設計フェーズにおいてJMPを重要なツールとして活用しています。実験計画法（DOE）にJMPを活用することで、レンチウイルスベクター製造プロセスの包括的な特性評価が容易になり、重要プロセスパラメータ（CPP）を正確に特定し、実証済み許容範囲（PAR）を確立することが可能になります。
ソフトウェアの統計分析機能と可視化機能を活用することで、データに基づいた意思決定アプローチを確立し、プロセスの理解と制御を強化します。本講演では、バイオプロセスの進化するニーズに応えるためにQbD原則の適用を推進する上で、JMPが果たす重要な役割について強調します。
講演へようこそ。ヨハン＝クリストフ・デットマンです。本日は、レンチウイルスベクター製造のプロセス開発を加速するために実験計画法を用いるという私たちのアプローチについてご紹介したいと思います。このアプローチは現在、ゲイザースバーグにある当社のプロセス開発部門の顧客プロジェクトで効果的に適用されており、トーマス・リトル・コンサルティングとの共同開発です。
本日のプレゼンテーションでは、既存のデータ分析戦略に加え、私見では特に役立つと思われる、いくつかの代替的な追加的な知見もご紹介いたします。プレゼンテーションは2部に分かれています。第1部では、このトピックの概要を説明し、第2部では、JMPを用いてDOEを評価する方法の簡単なデモを行います。
まず、私たちのコアコンピテンシーについて簡単にご説明いたします。ミルテニー・バイオインダストリーは、細胞・遺伝子治療のCDMO（再生医療・遺伝子治療）事業を展開しており、ミルテニー・バイオテック・グループの一員でもあります。私たちは、自社のCAR-T細胞製品にも専門知識を活かしており、レンチウイルスベクターや細胞製品のGMP準拠製造に関する豊富な経験を活かしています。
当社はここでレンチウイルスベクター用の広範な製造プラットフォームも提供しており、またこれに加えて、当社PDチームがプロセス開発や特定の特性評価研究のさらなる最適化をサポートしており、商業化に非常に役立ちます。
当社では、さらに開発を進めて追加のアッセイを確立できる標準的な分析プラットフォームも提供しており、また、お客様の社内細胞製造施設への技術およびアッセイの移転をサポートし、当社の規制専門家とともにガイダンスを提供することもできます。
当社の本社はここベルギッシュ・グラートバッハにあり、レンチウイルスベクターのプロセス開発と細胞処理のための施設を備えています。また、ガイザースバーグ、サンノゼ、上海にも細胞工場を有しています。ドイツにおけるGMP準拠のベクター生産の主要施設は、ここテテローにあります。また、ガイザースバーグにはベクター生産のための大規模な施設があり、レンチウイルスベクターのプロセス開発のための本社もここにあります。
ベクター製造においては、第三世代ベースのシステムを採用しており、最高水準の安全基準を満たしています。また、当社のプロセスは無血清、懸濁液で、スケールアップも可能で、米国またはテテロウで製造可能です。GMP準拠ベクターの世界的な製造業者として、当社はプラットフォームプロセスを用いて数百バッチのGMPバッチ製造を成功させてきた豊富な専門知識を活かしています。
これらのスライドは、製品ライフサイクルの概要を示しています。例えば、細胞・遺伝子治療製品を商業化につなげていくには、このサイクルに従う必要があります。このグラフに基づいて、製品ライフサイクルのどの段階をもう少し詳しく見ていきたいかお見せしたいと思います。
まず、開発する製品とプロセスに関する知識を収集することから始め、製品の品質を適切に反映する品質特性のリストを作成することを目指します。その後、プロセス開発とプロセス特性評価の各段階を経て、管理戦略と設計空間を構築します。
次に、プロセス性能適格性確認（プロセスバリデーションとも呼ばれます）が行われます。ただし、このステップは最終的な適格性確認のステップではなく、適格性ステータスの継続的な検証（継続的プロセス検証とも呼ばれます）の出発点と捉えるべきです。
もちろん、このフローチャートのすべてをここで説明することはできませんが、今日は設計空間の生成、そしてどのような手法を用いて設計空間を生成するかに焦点を当てたいと思います。また、プロセスの重要なプロセスパラメータ、つまり変動が重要な品質特性に影響を与えるため監視・管理すべきパラメータの定義方法についても説明します。さらに、プロセスパラメータの実証済み許容範囲の定義方法についても説明します。実証済み許容範囲とは、他のパラメータを一定に保ちながら、あるプロセスパラメータの特性化された範囲として定義され、その範囲内で操作することで、適切な品質の材料を生産できる範囲です。
本題に入る前に、設計空間について少し補足しておきたいと思います。左側に概略図を示しており、白い部分が仕様範囲内、網掛け部分が仕様外の領域を表しています。私の知る限り、設計空間はプロセスバリデーションの必須要件ではありません。しかし、当局は設計空間の確保を強く推奨しています。
これはICH Q8で概説されている概念であり、品質保証をもたらす入力変数の多次元的な組み合わせと相互作用として定義されています。これは、実験計画法などのツールを用いて、重要な材料特性とプロセスパラメータを最適化する体系的なアプローチによって確立されます。さらに、デザインスペースは、プロセスが定義されたパラメータの範囲内で動作し、品質基準と製品仕様を一貫して満たすことを保証します。
また、潜在的な故障モードや動作限界を特定できるため、製品品質を維持しながら柔軟性とプロセス制御も可能になります。つまり、設計空間から、最終的に特定のパラメータ範囲、つまり実証済みの許容範囲を定義できるということです。
では、どのようにして設計空間を構築するのでしょうか？まずは低レベルのリスク評価から始めます。もちろん、このリスク評価の前には、製品とプロセスのスコープ設定に関するいくつかのステップがあります。しかし、これは今日の講演では取り上げません。
低レベルのリスク評価では、潜在的に影響を及ぼすプロセスパラメータのリスクベースの推定を行います。まず、関連するプロセスパラメータをリストアップし、それぞれの対応策と相関関係を確認します。その後、プロセスパラメータの変動が対応策にどの程度の影響を与える可能性があるかを考慮した上で評価を行います。
例えば、あるプロセスパラメータの影響が非常に大きいと仮定した場合、あるいは潜在的な影響について事前の知識がない場合、それに応じてここで高リスクスコアを定義します。しかし、このプロセスパラメータが影響を与えないことが既に分かっている場合、あるいはその影響について高い確度が保証されている場合は、ここで低リスクスコアを定義したり注釈を付けたりすることができます。これは、この神話によって潜在的に影響を与えないプロセスパラメータを特定し、DOE調査から除外するのに非常に役立ちます。
同様の演習は、高次の項、つまり2因子交互作用や二次関数についても行うことができます。ここでも、科学的な根拠と事前の知識は、どの高次の項を研究に含めるべきか、あるいは含めるべきでないかを判断する上で非常に役立ちます。
現在、両方の評価において、主効果の評価と相互作用の評価によって、最終的に DOE 研究設計を非常に明確に定義できるようになります。簡単に言えば、調査したいモデル項ごとに追加の実験実行が必要であり、このアプローチを通じて、特定の要件に合わせてカスタマイズされた特定の設計をここで作成することが実際に可能になるからです。
DOE調査を作成するために、JMPのカスタムDOEプラットフォームを使用します。DOE調査の設計が完了したら、研究室ですべての実験を実行し、すべてのデータを収集し、それを用いて統計モデルを定義します。統計モデルとは、入力変数、因子、そして反応の関係を記述する表現です。このモデルは、重要なプロセスパラメータを定義するために使用できます。なぜなら、リスク評価のみでCPPを検出および制御するべきではないと考えているからです。これは、因子が反応に直接どのように影響するかを測定することに基づく必要があります。DOEは、すべての因子と相互作用が重要な反応に与える影響を分離するのに役立つため、ここでは明らかに最適な手法です。
CPPを定義するには、まず、因子の効果量を最終的に求めるための尺度推定値が必要であり、次に、上限規格限界と下限規格限界の間の領域である許容範囲も必要になります。最後に、DOE研究において応答の平均値を許容範囲の20%以上シフトさせる因子を特定し、これらを重要工程パラメータ（CPI）と見なします。繰り返しますが、DOE研究において応答の平均値を許容範囲の20%以上シフトさせる因子は、重要工程パラメータ（CPI）と見なします。
単位操作のCPPを定義した後、設計空間を用いてプロセスの具体的な因子範囲を定義します。設計空間は非常に動的であり、それぞれの因子の設定に依存するため、ここではモンテカルロシミュレーションを用いてバッチ間の変動をシミュレートし、設計空間の動的な性質を探ります。
シミュレーションには、3つの主要な変動要因が含まれます。1つは、モデル、特性評価された応答または製品、そして調査した各因子の変動です。そしてもう1つは、モデルでは考慮されなかった残差変動（二乗平均平方根誤差とも呼ばれます）です。これは、例えば分析手法に起因する変動などが考えられます。これらの情報を組み合わせることで、JMPは数千もの実験を生成またはシミュレーションすることができ、これは工程能力の判断や推定に非常に役立ちます。
たとえば、この例では、欠陥率または規格外率が 33% を超えており、非常に高いため、ここではプロセス制限またはパラメータ制限を何らかの形で調整する必要があることがわかります。
因子範囲を定義するために、コンサルタントから提供されたスクリプトを使用しています。これはデザインスペースプロファイラーに非常に似ており、シミュレーションデータとプロセスで発生する故障率を視覚化するのに役立ちます。ここで示されている赤い点は、仕様外のシミュレーション実験の実行結果であり、緑の点は検査実行結果を表しています。
このグラフは、要因が実際にどの程度レスポンスに影響を与えているかを評価できるため、非常に気に入っています。例えば、要因Dについては、レスポンスAとの相関関係において、特に要因範囲の上限付近で検査実行の割合が高くなっていることがわかります。これらの制限を手動で調整することで、より有意義で、より合理的で、より堅牢な生産を可能にするプロセスパラメータ範囲を定義できるようになりました。以前は規格外ポイントが約33%ありましたが、現在は1%未満となり、要件を完全に満たしています。ここで手動で定義したこれらの制限は、プロセスパラメータの実証済みの許容範囲として使用されます。
当社では、通常の動作範囲も定義します。これは、過去のデータ、機器、個人の能力に基づき、確立された実証済みの許容範囲も考慮に入れた上で行われます。つまり、これらの NOR 制限は通常、PAR よりも厳しくなるということです。
これが私のプレゼンテーションの部分でした。JMPを使ってプレゼンテーションを始めたいと思います。今日は、我々のキャラクタリゼーション研究の一つで使用した例をお見せしたいと思います。このDOEでは、5つの異なる反応がありました。また、6つの異なる因子も調査しました。低レベルのリスク評価から、最終的にすべての主効果を調査することに決定しましたが、2因子間の交互作用と二次項もいくつか調査することにしました。その結果、約16回の試行からなるDOE研究が完成しました。
DOE研究を評価するために、通常はJMPの「モデル適合」プラットフォームを使用します。具体的なモデル評価に入る前に、必ずデータ品質チェックから始めます。つまり、モデルの残差を調べて、残差に特定のパターンがないか確認します。特定のパターンがあれば、未知の有効効果の存在を示唆します。しかし、リード線では、残差はゼロラインの周囲にランダムに散らばっているはずです。ここに青い線がありますが、これは残差の正規分布を示しています。今回のケースではまさにその通りです。
外れ値を選別するために、外部スチューデント化残差を使用します。ここでは、より保守的なアプローチを提供する Bonferroni 制限を使用することをお勧めします。これにより、トレンドから外れたポイント、つまり外れ値を誤って検出するリスクが軽減されます。
トレンドから外れたポイント、つまり外れ値の取り扱いについて、特に規制環境下で作業し、例えばFDAに報告する場合の追加の注意事項をいくつかご紹介します。外れ値が検出された場合、つまりそのデータポイントがBonferroni限界を超えている可能性がある場合でも、そのデータポイントをデータセットから自動的に除外する必要はありません。外れ値を除外する科学的根拠を常に提示することをお勧めします。例えば、プロセスにおける文書化されていない取り扱いエラーや、分析方法の誤りなどが挙げられます。
これが整備されていない場合は、モデル比較、つまり外れ値ありと外れ値なしのモデルを比較することを検討することもできます。この比較は、外れ値なしのモデルがプロセスをより適切に代表する理由を示す論拠によって裏付けられるべきです。ただし、統計的な根拠のみに基づいてデータポイントを除外することは推奨されません。
データ品質チェックの後、モデル回帰分析を実行します。ステップワイズ後方回帰を用います。これは、モデルから有意でない項を除去することを意味します。また、ここでは効果階層の原則に従います。つまり、主効果が二次項や交互作用などの高次の項に含まれていない場合にのみ、主効果を除去できます。
例えば、ここに小さな記号が付いています。これは、この主効果が交互作用の一部でもあることを示しています。つまり、この交互作用も除外されない限り、この主効果を除外することはできません。つまり、この交互作用は除外できます。この主効果は高次の項の一部ではないため、この主効果も除外できます。
はい、モデルから項を除去するしきい値は p 値 0.1 です。このしきい値に非常に近い状況では、モデルの二乗平均平方根誤差も考慮します。つまり、この項を除去して RMSE が減少している場合は、二乗平均平方根誤差で表される未知の変動を減らす必要があるため、この除外が正当化されます。
ただし、この項を削除して RMSE が増加した場合 (現在の状況)、このデータ ポイントは明らかにモデルの変動、つまり実験におけるモデルの変動を説明するのに役立っているため、このデータ ポイントを除外することはありません。
最終モデルが完成したら、予測式と標準誤差の予測式を保存します。標準誤差は、後で実証済みの許容範囲を定義する際に重要になります。しかし、その前にまず重要なプロセスパラメータを定義する必要があります。そのため、スケール推定テーブルが開いていることを確認する必要があります（既に開いています）。次に、コンサルタントのアドインであるスクリプトを使用して、重要なプロセスパラメータを特定します。
仕組みはこうです。まず、スケール推定テーブルが開かれているFITモデルレポートを選択し、次に現在調査中の応答の仕様限界を定義する必要があります。通常、あるいは理想的には、既に仕様限界が定義済みであるはずです。しかし、例えばプロセス内の単位操作を調査している場合、この中間製品に対する仕様限界がまだ存在しない可能性があります。そのような場合、ここではスケールデータを考慮し、最終的に最終製品の仕様を満たしたバッチの最小値と最大値を使用します。
これも利用できない場合は、規格限界を定義するためのデフォルトのアプローチがあります。つまり、下限規格限界にはDOE工程平均値の80%を使用し、上限規格限界には工程平均値の150%を使用します。しかし、今回の状況では、下限規格限界が150、上限規格限界が350と定められており、幸運です。
それで、次に進めます。次のステップは、重要なプロセスパラメータを決定するための閾値を定義することです。先ほど、平均シフトが許容範囲の20%に達した時点でプロセスパラメータを重要と宣言すると説明しましたが、これは要件の増加や減少に応じて調整できます。ただし、ここでは20%という状況を維持します。
最後に「実行」をクリックします。スクリプトはCPB計算を実行します。これは、尺度推定値または係数（半効果とも呼ばれます）を用いて、特定の乗数を掛け算することで行われます。主効果には乗数を2とします。これは交互作用にも同様に適用され、二次効果には乗数を1とします。
そうすることで、完全な効果が計算され、この完全な効果が許容範囲、つまり仕様の上限と下限の間の領域に関連付けられます。完全な効果がこの許容範囲の 20% を超える場合、この項を重要なプロセス パラメータとして宣言します。これは、このモデルの最初の 3 つの項に当てはまります。
重要なプロセスパラメータを定義した後、もちろんこの作業はモデル内のすべての応答に対して行われます。次に、プロファイラーを使用して、これらのプロセスパラメータの実証済みの許容範囲を定義します。ここではいくつかの事前入力を行っていますが、ここで行った作業について簡単に説明します。プロファイラーのメニューからシミュレータオプションを開き、それぞれのRMSE値、つまり応答のランダムノイズも追加しました。
さらに、三角分布も定義しました。これはまず各因子について実行され、ピークは実規模プロセスの設定点に位置し、下限と上限はDOE研究の極値点を表しています。
では、ここで簡単にプロセスをシミュレーションして、不良率がどれくらい高いかを確認してみましょう。ご覧の通り、かなり高いですね。約33%なので、明らかに改善が必要です。
以前は、コンサルタントから提供された「Edge of Failure（故障限界）」スクリプトを使用して、実証済みの許容範囲を定義していました。現在、Lentigenの拠点、あるいはゲイザースバーグのプロセス開発拠点でもこのスクリプトを使用しています。これは、両拠点ともJMP 16を使用しているためです。しかし、JMP 17以降では設計空間プロファイラーも導入されており、本日はこのツールについてもご紹介したいと思います。
デザインスペースプロファイラーを開きます。ここで特に気に入っているのは、プロセス全体の検査部分をインラインで、あるいは直接確認できることです。これはそれぞれのレスポンスにも表示されるので、レスポンスごとに個別の検査部分も確認できます。因子範囲を手動で調整することも、自動調整することもできます。自動調整はこれから行います。
検査割合が増加し、係数範囲が減少していることがわかります。最終的に検査割合を99%以上にすることが目標で、現在はその目標が達成されています。「うわ、これはかなり厳しい。おやおや、これは製造チームにとって現実的ではない」と思われるかもしれません。もちろん、これらの制限は要件に応じて調整できます。
例えば、ここでは非常に柔軟性が高く、この範囲を少し狭めることができます。また、こちらもご覧の通り、さらに柔軟性が増しています。これは非常に便利です。パラメータ範囲と検査範囲に最終的に満足するまで、この手順を進めることができます。これらの制限は後で定義するか、この手順で定義します。もちろん、各係数範囲をより適切な小数点以下の桁数に縮小することも可能ですが、最終的にはこれがプロセスにとって実証済みの許容範囲となります。
次に、プロファイラーのそれぞれの中間点とそれぞれの限界に向かい、そこで 3 シグマの限界オプションを持つ正規分布を使用し、プロセスの検査部分を再度検証します。もちろん、これも 99% を超えており、これが私たちの目標でした。非常にすばらしいことです。
最後に、もちろん、これらの制限を製造部門で検証することも非常に重要かつ必要です。なぜなら、これらの制限は、もちろん、日常的な生産の範囲内で実用的である必要があり、その後、最終的にいくつかの製造部門と議論されるからです。
PARとCPPの定義にデザインスペースを活用するための、非常に有意義なアプローチを確立できたことをお見せできたと思います。まず、DOE試験向けに、お客様固有の要件に基づいたカスタマイズされた設計を定義するためのリスクベースのアプローチについて説明しました。また、CQAへの実際の影響も考慮しながら、重要なプロセスパラメータを定義する方法についても説明しました。さらに、お客様のプロセスにおいて実証済みの許容範囲を定義する方法、そしてこの演習にデザインスペースプロファイラーを使用する方法についても説明しました。
先ほど申し上げた通り、私たちもこの神話を自社製品に活用しており、昨年はクライアントの1社がこのアプローチを用いてBLA申請を通過できたことを大変嬉しく思っております。ご清聴ありがとうございました。
