세포 및 유전자 치료를 위한 견고하고 확장 가능한 렌티바이러스 벡터 제조 공정에 대한 수요 증가로 인해 첨단 방법론의 도입이 촉진되었습니다. 본 발표에서는 품질 설계(QbD) 전략에 중점을 두고 혁신적인 공정 개발 접근 방식을 심층적으로 살펴보고, 특히 JMP 소프트웨어의 강력한 기능을 중점적으로 다룹니다.
엄격한 공정 성능 검증(PUQ) 규제 요건을 준수하기 위해, 당사의 방법론은 전통적인 원칙과 현대적인 원칙을 완벽하게 통합하는 동시에, 공정 검증 수명주기의 1단계 공정 설계 단계에서 JMP를 핵심 도구로 활용합니다. JMP를 이용한 실험 설계(DOE)는 렌티바이러스 벡터 제조 공정을 종합적으로 특성화하여, 주요 공정 변수(CPP)를 정확하게 식별하고 검증된 허용 범위(PAR)를 설정할 수 있도록 합니다.
본 소프트웨어의 통계 분석 및 시각화 기능을 활용하여 데이터 기반 의사결정을 보장하고, 공정 이해 및 제어를 향상시킵니다. 본 발표에서는 바이오프로세싱의 진화하는 요구사항을 충족하기 위해 QbD 원칙 적용을 발전시키는 데 있어 JMP가 수행하는 핵심적인 역할을 강조합니다.
제 발표에 오신 것을 환영합니다. 저는 요한-크리스토프 데트만이며, 오늘 여러분께 렌티바이러스 벡터 제조 공정 개발을 가속화하기 위해 실험 설계법을 활용하는 접근 방식에 대해 소개하고자 합니다. 이 방법은 현재 저희 게이더스버그 공정 개발 부서의 고객 프로젝트에 성공적으로 적용되고 있으며, 토마스 리틀 컨설팅과 협력하여 개발되었습니다.
오늘 발표에서는 기존 데이터 분석 전략에 더해 제가 생각하기에 매우 유용한 몇 가지 대안적인 추가 분석 방법을 소개하고자 합니다. 발표는 두 부분으로 나뉘는데, 첫 번째 부분에서는 주제에 대한 일반적인 소개를 하고, 두 번째 부분에서는 JMP를 사용하여 실험계획법(DOE)을 평가하는 간단한 시연을 보여드리겠습니다.
시작하기 전에 저희가 제공하는 핵심 역량에 대해 간략하게 설명드리겠습니다. 밀테니 바이오인더스트리는 세포 및 유전자 치료 분야의 CDMO(위탁개발생산) 기업으로, 밀테니 바이오텍 그룹의 계열사입니다. 저희는 자체 CAR T-세포 제품 개발에도 전문성을 발휘하고 있으며, 이를 통해 GMP(우수 의약품 제조 및 품질관리 기준)를 준수하는 렌티바이러스 벡터 및 세포 제품 생산에 대한 풍부한 경험을 축적해 왔습니다.
저희는 렌티바이러스 벡터 생산을 위한 광범위한 제조 플랫폼을 제공하며, 그 외에도 다양한 서비스를 제공합니다. 저희 제품 개발팀은 공정 개발 최적화 또는 특정 특성 분석 연구를 지원하여 상용화에 실질적인 도움을 드릴 수 있습니다.
또한, 당사는 표준 분석 플랫폼을 제공하며, 이를 더욱 발전시켜 추가적인 분석법을 개발할 수도 있습니다. 더불어, 고객사의 자체 세포 생산 시설로의 기술 및 분석법 이전을 지원하고, 규제 전문가를 통해 관련 지침을 제공할 수도 있습니다.
저희 본사는 베르기슈 글라드바흐에 위치해 있으며, 렌티바이러스 벡터 공정 개발 및 세포 처리 시설을 갖추고 있습니다. 또한 가이더스버그, 샌호세, 상하이에 세포 공장을 보유하고 있습니다. 독일 내 GMP 규정을 준수하는 벡터 생산을 위한 주요 시설은 테테로에 있습니다. 가이더스버그에도 대규모 벡터 생산 시설이 있으며, 렌티바이러스 벡터 공정 개발 본사도 이곳에 있습니다.
벡터 생산에 있어 당사는 3세대 기반 시스템을 제공하여 최고 수준의 안전 기준을 준수합니다. 또한, 당사의 공정은 무혈청 현탁액 방식으로 진행되며, 대규모 생산이 가능하고 미국 또는 테테로에서 운영할 수 있습니다. GMP 규정을 준수하는 벡터의 글로벌 제조업체로서, 당사는 자사의 플랫폼 공정을 통해 수백 건의 GMP 배치 생산을 성공적으로 수행해 온 광범위한 전문성을 바탕으로 최고의 결과를 제공합니다.
이 슬라이드는 제품 수명 주기의 개략적인 개요를 보여줍니다. 예를 들어 세포 및 유전자 치료제와 같은 제품을 상용화하려면 이 단계를 따라야 합니다. 이 그래프를 바탕으로 제품 수명 주기의 어떤 단계를 좀 더 자세히 살펴볼지 보여드리겠습니다.
우선 제품과 개발할 공정에 대한 정보를 수집하는 것부터 시작하며, 이때 제품의 품질을 적절히 반영하는 품질 속성 목록을 작성하는 것이 목표입니다. 그 후 공정 개발 및 공정 특성화 단계를 거쳐 제어 전략과 설계 공간을 도출하게 됩니다.
그다음에는 공정 성능 적격성 평가(공정 유효성 검증이라고도 함)가 진행됩니다. 하지만 이 단계는 최종 적격성 평가 단계가 아니라, 해당 적격성 상태를 지속적으로 검증하는 과정, 즉 지속적인 공정 검증의 시작점으로 봐야 합니다.
물론 이 흐름도에 있는 모든 내용을 여기서 다룰 수는 없겠지만, 오늘은 설계 공간 생성, 즉 설계 공간을 생성하는 데 사용되는 방법들에 초점을 맞추고자 합니다. 또한 공정의 핵심 품질 속성에 영향을 미치는 변동성을 가진, 따라서 모니터링 및 제어가 필요한 핵심 공정 매개변수를 정의하는 방법에 대해서도 이야기할 것입니다. 더불어, 다른 매개변수를 일정하게 유지하면서 해당 범위 내에서 작동할 경우 관련 품질의 재료를 생산할 수 있는, 검증된 허용 범위를 정의하는 방법에 대해서도 논의할 것입니다.
하지만 이에 앞서 설계 공간에 대해 몇 가지 추가적인 설명을 드리고자 합니다. 왼쪽에는 개략적인 설명이 나와 있는데, 흰색 영역은 규격 내 영역을, 음영 영역은 규격 외 영역을 나타냅니다. 제가 알기로는 설계 공간은 공정 검증에 필수적인 요건은 아닙니다. 하지만 관련 기관에서는 설계 공간을 마련할 것을 강력히 권장하고 있습니다.
이는 ICH Q8에 명시된 개념으로, 품질 보증을 제공하는 입력 변수들의 다차원적 조합 및 상호작용을 의미합니다. 설계 공간은 실험 설계와 같은 도구를 사용하여 핵심 재료 특성 및 공정 매개변수를 최적화하는 체계적인 접근 방식을 통해 확립됩니다. 또한, 설계 공간을 통해 공정은 정의된 매개변수 내에서 운영되어 품질 표준 및 제품 사양을 일관되게 충족할 수 있습니다.
또한 잠재적인 고장 모드와 작동 한계를 파악할 수 있게 해줌으로써 제품 품질을 유지하면서 유연성과 공정 제어를 가능하게 합니다. 즉, 설계 단계에서부터 특정 매개변수 범위, 즉 검증된 허용 범위를 정의할 수 있게 되는 것입니다.
그렇다면 어떻게 디자인 공간을 생성할까요? 우선 낮은 수준의 위험 평가부터 시작하게 됩니다. 물론, 이 위험 평가 이전에는 제품 및 프로세스 범위 설정과 관련된 여러 단계가 있지만, 오늘의 논의에서는 다루지 않겠습니다.
저수준 위험 평가에서는 잠재적으로 영향을 미칠 수 있는 공정 변수에 대한 위험 기반 추정을 수행하며, 먼저 관련 공정 변수를 나열하고 각각의 반응과 상관관계를 분석합니다. 이후, 공정 변수의 변동이 반응에 미치는 영향을 고려하여 평가를 진행합니다.
예를 들어, 특정 공정 변수가 매우 큰 영향을 미친다고 가정하거나, 잠재적 영향에 대한 사전 정보가 전혀 없는 경우에는 높은 위험 점수를 부여합니다. 하지만 해당 공정 변수가 영향을 미치지 않는다는 것을 이미 알고 있거나, 이에 대한 확신이 높은 경우에는 낮은 위험 점수를 부여하거나 주석을 달 수 있습니다. 이러한 방식은 잠재적으로 영향을 미치지 않는 공정 변수를 식별하는 데 도움이 되며, 결과적으로 실험 설계(DOE) 연구에서 제외할 수 있게 됩니다.
이와 같은 과정을 고차항, 즉 2차항이나 이차항에도 적용할 수 있습니다. 여기서도 과학적 근거와 사전 지식을 활용하면 연구에 포함해야 할 고차항과 제외해야 할 고차항을 구분하는 데 큰 도움이 될 수 있습니다.
현재 두 가지 평가 모두에서, 주요 효과에 대한 평가와 상호작용에 대한 평가는 궁극적으로 DOE 연구 설계에 대한 매우 명확한 정의를 가능하게 합니다. 간단히 말해서, 조사하고자 하는 모든 모델 항에 대해 추가적인 실험 실행이 필요하다고 말할 수 있기 때문입니다. 이러한 접근 방식을 통해 특정 요구 사항에 맞춘 구체적인 설계를 실제로 만들 수 있게 됩니다.
본 연구에서는 DOE(실험계획법) 연구를 수행하기 위해 JMP의 맞춤형 DOE 플랫폼을 사용합니다. DOE 연구 설계가 완료되면, 연구원들은 실험실에서 모든 실험을 수행하고 데이터를 수집하여 통계 모델을 정의할 수 있습니다. 이 모델은 입력 변수, 즉 요인과 반응 간의 관계를 나타내는 표현입니다. 이 모델을 통해 핵심 공정 매개변수(CPP)를 정의할 수 있습니다. 왜냐하면 위험 평가만으로는 CPP를 탐지하고 제어하는 데 충분하지 않으며, 요인이 반응에 직접적으로 미치는 영향을 측정해야만 CPP를 정확하게 파악하고 제어할 수 있기 때문입니다. DOE는 모든 요인과 그 상호작용이 핵심 반응에 미치는 영향을 분리하는 데 매우 효과적이므로, 이러한 목적에 가장 적합한 방법입니다.
이제 CPP(핵심 공정 변수)를 정의하기 위해, 먼저 요인의 효과 크기를 구하기 위한 스케일링된 추정치가 필요하고, 다음으로 상한 규격과 하한 규격 사이의 영역인 허용 오차 범위가 필요합니다. 마지막으로, 실험 설계 연구에서 반응 평균값을 허용 오차의 20% 이상 변화시키는 요인들을 판별하고, 이러한 요인들을 핵심 공정 변수로 간주합니다. 다시 말해, 실험 설계 연구에서 반응 평균값을 허용 오차의 20% 이상 변화시키는 요인들은 핵심 공정 변수로 간주됩니다.
단위 공정에 대한 임계 반응점(CPP)을 정의한 후에는 설계 공간을 사용하여 공정에 대한 특정 인자 범위를 정의합니다. 설계 공간은 매우 동적이며 각 인자의 설정에 따라 달라지기 때문에, 배치 간 변동을 시뮬레이션하고 설계 공간의 동적 특성을 탐색하기 위해 몬테카를로 시뮬레이션을 사용합니다.
이 시뮬레이션에는 세 가지 주요 변동 요인이 포함됩니다. 첫째, 모델 자체의 변동, 특성화된 반응 또는 제품의 변동, 둘째, 조사한 각 요소의 변동, 셋째, 모델에서 고려되지 않은 잔차 변동, 즉 제곱평균오차(RMSE)입니다. 이는 예를 들어 분석 방법에서 발생하는 변동일 수 있습니다. 이러한 정보를 종합하여 JMP는 수천 건의 실험을 생성 또는 시뮬레이션할 수 있으며, 이를 통해 공정의 능력을 판단하고 추정하는 데 도움을 줍니다.
예를 들어, 이 예시에서는 불량률 또는 규격 미달률이 33%를 넘는 것을 볼 수 있는데, 이는 너무 높은 수치이므로 공정 한계 또는 매개변수 한계를 조정해야 할 필요성이 분명히 있습니다.
요인 범위를 정의하기 위해 컨설턴트가 제공한 스크립트를 사용하는데, 이 스크립트는 디자인 스페이스 프로파일러와 매우 유사하며 시뮬레이션 데이터와 공정에서 발생할 수 있는 불량률을 시각화하는 데 도움이 됩니다. 여기에서 빨간색 점은 규격에서 벗어난 시뮬레이션 실험 결과를 나타내고, 녹색 점은 실제 검사 결과를 나타냅니다.
저는 이 그래프가 정말 마음에 듭니다. 왜냐하면 여러 요인들이 실제로 우리의 반응에 어느 정도 영향을 미치는지 평가할 수 있게 해주기 때문입니다. 예를 들어, 요인 D의 경우, 반응 A와의 상관관계를 보면 특히 요인 범위의 상단에서 검사 실행 비율이 더 높다는 것을 알 수 있습니다. 이제 이러한 한계를 수동으로 조정함으로써, 더욱 의미 있고 합리적이며 안정적인 생산을 가능하게 하는 공정 매개변수 범위를 정의할 수 있습니다. 이전에는 규격 미달 지점이 약 33%였지만, 이제는 1% 미만으로 떨어져 요구 사항을 충족하고 있습니다. 이렇게 수동으로 정의한 한계는 이제 검증된 공정 매개변수 허용 범위로 사용됩니다.
또한, 우리는 과거 데이터, 장비 및 개인의 역량을 기반으로 하고 확립되고 검증된 허용 범위를 고려하여 정상 작동 범위를 정의합니다. 즉, 이러한 정상 작동 범위(NOR) 한도는 일반적으로 허용 범위(PAR)보다 더 엄격해야 합니다.
이제 제 발표 시간입니다. JMP에서 발표를 시작하겠습니다. 오늘 여러분께 저희 특성 분석 연구 중 하나에서 나온 사례를 보여드리겠습니다. 이 실험 설계(DOE)에서는 다섯 가지 반응 변수를 설정했습니다. 또한 여섯 가지 요인을 조사했고, 초기 위험 평가를 통해 모든 주효과를 조사하는 것은 물론, 두 요인 간의 상호작용과 이차항도 조사하기로 결정했습니다. 그 결과 약 16회 실행으로 구성된 DOE 연구가 진행되었습니다.
실험계획법(DOE) 연구를 평가하기 위해 일반적으로 JMP의 모델 적합 플랫폼을 사용하며, 구체적인 모델 평가에 들어가기 전에 항상 먼저 데이터 품질 검사를 수행합니다. 이는 모델의 잔차를 분석하여 특정 패턴이 있는지 확인하는 것을 의미합니다. 이러한 패턴은 알려지지 않은 활성 효과의 존재를 나타낼 수 있습니다. 일반적으로 잔차는 0선을 중심으로 무작위로 분포되어 있어야 합니다. 여기 파란색 선은 잔차의 정규 분포를 나타내며, 이는 본 연구의 경우에도 마찬가지입니다.
이상치를 선별하기 위해 외부 스튜던트화 잔차를 사용합니다. 본페로니 한계를 사용하는 것이 권장되는데, 이는 보다 보수적인 접근 방식을 제공하여 추세에서 벗어난 지점, 즉 이상치를 잘못 감지할 위험을 줄여주기 때문입니다.
특히 FDA와 같은 규제 환경에서 보고하는 경우, 추세에서 벗어난 데이터 포인트(이상치) 처리와 관련하여 몇 가지 추가 사항을 알려드립니다. 이상치를 발견했다고 해서, 즉 해당 데이터 포인트가 본페로니 보정 한계를 벗어난다고 해서 자동으로 데이터 세트에서 제외해서는 안 됩니다. 이상치를 제외할 때는 항상 과학적인 근거를 마련해 두는 것이 좋습니다. 예를 들어, 처리 과정에서 발생한 기록되지 않은 오류나 분석 방법의 오류 등을 근거로 삼을 수 있습니다.
이러한 방법이 없을 경우, 이상치를 포함한 모델과 포함하지 않은 모델을 비교하는 모델 비교를 고려할 수 있습니다. 그리고 이상치를 제외한 모델이 해당 프로세스를 더 잘 대표하는 이유를 설명하는 논거를 제시해야 합니다. 하지만 단순히 통계적 근거에 따라 데이터 포인트를 제외하는 것은 권장되지 않습니다.
데이터 품질 검사를 마친 후, 모델 회귀 분석을 수행합니다. 이를 위해 단계적 후진 회귀 분석을 사용하는데, 이는 모델에서 유의미하지 않은 항들을 제거하는 것을 의미합니다. 또한, 효과 계층 원칙을 준수하여 주효과가 이차항이나 상호작용항과 같은 상위 항에 포함되지 않은 경우에만 주효과를 제거할 수 있도록 합니다.
예를 들어, 여기에 이 작은 표시로 나타나 있습니다. 이 표시는 이 주효과가 상호작용항의 일부이기도 하다는 것을 보여줍니다. 따라서 이 주효과를 배제하려면 이 상호작용항도 함께 배제해야 합니다. 즉, 이 상호작용항은 배제할 수 있지만, 이 주효과는 상위항의 일부가 아니므로 배제할 수 있습니다.
네, 모델에서 항을 제거하는 기준은 p값 0.1입니다. 이 기준에 매우 근접한 경우에는 모델의 제곱평균오차(RMSE)도 고려합니다. 즉, 해당 항을 제거했을 때 RMSE가 감소한다면, 이는 알려지지 않은 변동성(RMSE로 표현됨)을 줄이는 데 도움이 되므로 제거가 타당하다고 판단합니다.
하지만 이 항을 제거했을 때 RMSE가 증가하는 경우(현재 상황과 같음), 이 데이터 포인트는 모델 변동, 또는 우리 실험에서의 모델 변동을 설명하는 데 분명히 기여하고 있으므로 제외하지 않을 것입니다.
이제 최종 모델을 얻었으므로 예측 공식과 표준 오차 예측 공식을 저장합니다. 이 표준 오차는 나중에 검증된 허용 범위를 정의하는 데 중요합니다. 하지만 그 전에 먼저 핵심 공정 매개변수를 정의해야 합니다. 이를 위해 스케일링된 추정 테이블이 열려 있는지 확인해야 합니다. 현재 테이블은 열려 있으며, 컨설턴트가 제공한 추가 기능인 특정 스크립트를 사용하여 핵심 공정 매개변수를 식별합니다.
작동 방식은 다음과 같습니다. 먼저 FIT 모델 보고서를 선택하여 스케일링된 추정표를 열고, 현재 조사 중인 응답에 대한 사양 한계를 정의해야 합니다. 일반적으로, 또는 이상적으로는 사양 한계가 이미 정의되어 있어야 합니다. 그러나 예를 들어 공정 내 단위 공정을 조사하는 경우, 해당 중간 제품에 대한 사양 한계가 아직 존재하지 않을 수 있습니다. 이러한 경우, 스케일링된 데이터를 고려하고 최종 제품 사양을 통과한 배치들의 최소값과 최대값을 사용합니다.
이마저도 불가능한 경우, 기본 접근 방식을 사용하여 규격 한계를 정의합니다. 즉, 하한 규격 한계는 DOE 공정 평균의 80%로, 상한 규격 한계는 공정 평균의 150%로 설정합니다. 하지만 다행히도 저희의 경우 규격 한계가 이미 설정되어 있어 하한은 150, 상한은 350입니다.
이제 다음 단계로 진행할 수 있습니다. 다음 단계는 중요 공정 매개변수를 결정하기 위한 임계값을 정의하는 것입니다. 앞서 말씀드렸듯이 허용 오차의 평균 20% 변동을 중요 공정 매개변수로 선언하지만, 필요에 따라 이 값을 늘리거나 줄이는 등 조정할 수 있습니다. 하지만 여기서는 20%라는 기준을 유지하겠습니다.
마지막으로 '실행'을 클릭합니다. 그러면 스크립트가 CPB 계산을 수행하는데, 이는 스케일링된 추정치 또는 계수(또는 반효과)를 사용하여 특정 승수를 곱하는 방식으로 이루어집니다. 주효과의 경우 승수는 2입니다. 상호작용 효과에도 동일하게 적용되며, 이차 효과의 경우에는 승수 1을 사용합니다.
이렇게 하면 전체 효과가 계산되고, 이 전체 효과는 허용 오차 범위, 즉 상한 및 하한 사양 한계 사이의 영역과 관련됩니다. 전체 효과가 이 허용 오차 범위의 20%를 초과하면 해당 항을 중요 공정 매개변수로 선언합니다. 여기 모델에서 처음 세 항에 대해 이러한 조건이 충족됩니다.
이제 핵심 공정 매개변수를 정의했으므로, 이 과정은 모델의 모든 응답에 대해 수행됩니다. 그런 다음 프로파일러를 사용하여 이러한 공정 매개변수에 대한 검증된 허용 범위를 정의합니다. 저는 여기에 몇 가지 사전 입력을 해 두었는데, 간단히 설명드리겠습니다. 프로파일러 메뉴에서 시뮬레이터 옵션을 열고, 각 응답의 RMSE 값, 즉 응답의 무작위 노이즈를 여기에 추가했습니다.
또한, 저는 삼각형 분포도 정의했습니다. 이는 초기에는 각 요인에 대해 수행되며, 피크는 실제 공정에서 설정된 지점에 위치하고, 하한과 상한은 실험계획법 연구에서 얻은 극값을 나타냅니다.
그럼 여기서 우리 공정을 시뮬레이션해보고 불량률이 얼마나 되는지 쉽게 확인할 수 있겠죠? 보시다시피 불량률이 상당히 높습니다. 약 33% 정도 되는데, 분명 개선이 필요해 보입니다.
과거에는 컨설턴트가 제공한 고장 한계 스크립트를 사용하여 검증된 허용 범위를 정의했습니다. 현재 렌티젠 사업장이나 게이더스버그 공정 개발 사업장에서도 JMP 16을 사용하고 있기 때문에 동일한 방식을 사용하고 있습니다. 하지만 JMP 17부터는 설계 공간 프로파일러라는 도구가 도입되었고, 오늘 여러분께 이 도구를 소개해 드리고자 합니다.
디자인 스페이스 프로파일러를 열어보겠습니다. 여기서 제가 정말 좋아하는 점은 전체 공정의 검사 부분을 바로 확인할 수 있다는 것입니다. 각 응답에 대해서도 마찬가지로 확인할 수 있으므로, 모든 응답에 대한 개별 검사 부분도 볼 수 있습니다. 이제 요인 범위를 수동으로 조정하거나 자동으로 조정할 수 있는데, 저는 지금 자동으로 조정해 보겠습니다.
보시다시피 검사 비율은 증가하고, 요인 범위는 감소하며, 최종 목표는 검사 비율을 최소 99%까지 끌어올리는 것입니다. 현재 이 목표를 달성했습니다. "와, 너무 빡빡하네. 우리 생산팀에는 현실적으로 불가능하겠어."라고 생각하실 수도 있겠지만, 물론 필요에 따라 이러한 제한값을 조정할 수도 있습니다.
예를 들어, 여기서는 유연성이 매우 높습니다. 이 범위를 조금 좁힐 수도 있고, 보시다시피 이렇게 하면 유연성이 더욱 높아집니다. 아주 좋습니다. 매개변수 범위와 검사 부분에 만족할 때까지 이 과정을 진행할 수 있습니다. 이러한 한계는 나중에 정의하거나 이 절차를 통해 정의합니다. 물론, 해당 범위들을 더 적절한 소수점 자리로 줄일 수도 있지만, 최종적으로 이러한 범위들이 해당 공정에 대해 검증된 허용 범위가 됩니다.
그런 다음 프로파일러의 각 중간점과 한계점을 조정하고, 3시그마 옵션에서 한계를 설정한 후 다시 한번 검사 부분을 검증할 수 있습니다. 물론 이 결과는 우리의 목표였던 99% 이상을 달성하여 매우 만족스럽습니다.
마지막으로, 이러한 한계를 제조 부서와 함께 검증하는 것 또한 매우 중요하고 필수적입니다. 왜냐하면 이러한 한계는 일상적인 생산 과정에서 실현 가능해야 하기 때문이며, 최종적으로는 제조 부서와 이 부분을 논의하게 됩니다.
PAR 및 CPP 정의를 위한 설계 공간 활용에 있어 매우 의미 있는 접근 방식을 구축했음을 보여드릴 수 있었기를 바랍니다. 우리는 먼저 DOE 연구를 위한 맞춤형 설계를 정의하기 위해 위험 기반 접근 방식에 대해 논의했는데, 이는 고객의 특정 요구 사항을 진정으로 반영하는 것입니다. 또한 핵심 품질 속성(CQA)에 미치는 실제 영향을 고려하여 핵심 공정 매개변수를 정의하는 방법에 대해서도 논의했습니다. 더 나아가 공정에 대한 검증된 허용 범위를 정의하고, 이를 위해 설계 공간 프로파일러를 활용하는 방법에 대해서도 이야기했습니다.
앞서 말씀드린 것처럼, 저희도 이 신화를 자사 제품에 활용하고 있으며, 작년에 저희 고객사 중 한 곳에서 이 접근 방식을 통해 BLA 제출을 통과하게 되어 매우 기쁩니다. 이만 마치겠습니다. 경청해 주셔서 감사합니다.
