La demanda de procesos robustos y escalables de fabricación de vectores lentivirales para terapia celular y génica ha impulsado la adopción de metodologías avanzadas. Esta presentación profundiza en un enfoque innovador para el desarrollo de procesos, centrándose en una estrategia de Calidad por Diseño (QbD), con especial énfasis en las potentes capacidades del software JMP.
En cumplimiento con los estrictos requisitos regulatorios para la Calificación del Rendimiento de Procesos, nuestra metodología integra a la perfección principios tradicionales y modernos, a la vez que aprovecha JMP como herramienta crucial durante la fase 1 de Diseño de Procesos del ciclo de Validación de Procesos. El uso de JMP para el diseño de experimentos (DOE) facilita la caracterización integral del proceso de fabricación de vectores lentivirales, lo que permite la identificación precisa de los Parámetros Críticos de Proceso (PPC) y el establecimiento de Rangos Aceptables Probados (RAP).
Al aprovechar las funciones de análisis estadístico y visualización del software, garantizamos un enfoque basado en datos para la toma de decisiones, mejorando la comprensión y el control de los procesos. Esta charla destaca el papel clave que desempeña JMP en el avance de la aplicación de los principios de QbD para satisfacer las cambiantes demandas del bioprocesamiento.
Bienvenidos a mi charla. Me llamo Johann-Christoph Dettmann y hoy me gustaría presentarles nuestro enfoque sobre el uso del diseño de experimentos para acelerar el desarrollo de procesos para la fabricación de vectores lentivirales. Esta metodología se aplica actualmente con éxito en un proyecto de cliente en nuestro departamento de desarrollo de procesos en Gaithersburg, y fue desarrollada en colaboración con Thomas Little Consulting.
En mi presentación de hoy, complementaré la estrategia de análisis de datos establecida con la introducción de información adicional que, en mi opinión, resulta muy útil. La presentación se dividirá en dos partes. En la primera, ofreceré una introducción general al tema y, posteriormente, una breve demostración de cómo usamos JMP para evaluar los resultados de desglose.
Pero antes de comenzar, quisiera presentarles brevemente las competencias principales que ofrecemos. Miltenyi Bioindustry es una empresa de desarrollo de productos de desarrollo de productos (CDMO) para terapia celular y génica, y también forma parte del Grupo Miltenyi Biotec. Dado que también aplicamos nuestra experiencia a nuestros propios productos de células T CAR, basamos nuestros conocimientos en una amplia experiencia en la producción de vectores lentivirales y productos celulares conforme a las normas GMP.
También ofrecemos aquí una amplia plataforma de fabricación de vectores lentivirales y, además de esto, también podemos ofrecer aquí... Nuestro equipo de PD apoya aquí una mayor optimización en el desarrollo de procesos o estudios de caracterización específicos, que realmente pueden ayudar a la comercialización.
También ofrecemos aquí plataformas analíticas estándar que pueden desarrollarse aún más para establecer aquí ensayos adicionales, y también podemos respaldar la transferencia de tecnología y ensayos a las instalaciones de fabricación de células internas de nuestros clientes, y también podemos brindar orientación con nuestros expertos regulatorios.
Nuestra sede se encuentra en Bergisch Gladbach, con instalaciones para el desarrollo de vectores lentivirales y el procesamiento celular. También contamos con fábricas de células en Gaithersburg, San José y Shanghái. Nuestras principales instalaciones para la producción de vectores conforme a las normas GMP en Alemania se encuentran en Teterow. También contamos con instalaciones a gran escala para la producción de vectores en Gaithersburg, donde también se encuentra la sede central para el desarrollo de vectores lentivirales.
Para la producción de vectores, ofrecemos un sistema de tercera generación, lo que significa que cumplimos con los más altos estándares de seguridad. Nuestro proceso, además de ser libre de suero y en suspensión, puede escalarse y ejecutarse en EE. UU. o en Teterow. Como fabricante global de vectores que cumplen con las normas GMP, contamos con una amplia experiencia en la fabricación exitosa de cientos de lotes GMP con nuestro proceso de plataforma.
Estas diapositivas muestran una visión general del ciclo de vida del producto, que debe seguir si desea comercializar su producto, por ejemplo, de terapia celular y génica. Con base en este gráfico, me gustaría mostrarle qué fase de este ciclo de vida queremos analizar con más detalle.
Inicialmente, se comenzará recopilando información sobre el producto y el proceso a desarrollar, con el objetivo de compilar una lista de atributos de calidad que reflejen adecuadamente la calidad del producto. Posteriormente, se llevarán a cabo las fases de desarrollo y caracterización del proceso, lo que conducirá a la generación de la estrategia de control y del espacio de diseño.
Posteriormente, se realizará la calificación del desempeño del proceso, también conocida como validación del proceso. Sin embargo, este paso no debe considerarse el paso final de la calificación, sino el punto de partida de una verificación continua de dicho estado, también denominada verificación continua del proceso.
Por supuesto, no podremos abordar todos los aspectos de este diagrama de flujo, pero hoy me gustaría centrarme en la generación del espacio de diseño y en los métodos que utilizamos para generarlo. También abordaremos cómo definir los parámetros críticos del proceso, es decir, aquellos cuya variabilidad afecta a los atributos críticos de calidad y, por lo tanto, deben ser monitoreados y controlados. También abordaremos cómo definir rangos aceptables comprobados para los parámetros del proceso, que se definen como un rango caracterizado de un parámetro del proceso cuyo funcionamiento dentro de este rango, manteniendo los demás parámetros constantes, resultará en la producción de un material de calidad relevante.
Pero antes de profundizar en esto, quisiera añadir algunas palabras adicionales sobre el espacio de diseño. A la izquierda se presenta un esquema general: el área blanca representa nuestra zona dentro de las especificaciones y el área sombreada, nuestra zona fuera de ellas. Hasta donde sé, el espacio de diseño no es un requisito obligatorio para la validación del proceso. Sin embargo, las autoridades recomiendan encarecidamente contar con él.
Se trata de un concepto descrito en la norma ICH Q8 como una combinación e interacción multidimensional de variables de entrada que garantizan la calidad. Se establece mediante un enfoque sistemático que implica la optimización de los atributos críticos del material y de los parámetros del proceso, utilizando herramientas como el diseño de experimentos. El espacio de diseño, además, garantiza que el proceso funcione dentro de los parámetros definidos para cumplir consistentemente con los estándares de calidad y las especificaciones del producto.
También permite flexibilidad y control del proceso, manteniendo la calidad del producto, ya que facilita la identificación de posibles modos de fallo y límites operativos. Esto significa que, desde el diseño, finalmente podemos definir nuestros rangos de parámetros específicos, nuestros rangos aceptables comprobados.
Pero ¿cómo generamos nuestro espacio de diseño? Comenzaremos con una evaluación de riesgos de bajo nivel. Claro que hay varios pasos previos a esta evaluación de riesgos relacionados con la definición del alcance del producto y el proceso. Sin embargo, esto no formará parte de la charla de hoy.
La evaluación de riesgo de bajo nivel implica la estimación basada en el riesgo de parámetros del proceso potencialmente influyentes. Comenzaremos enumerando los parámetros relevantes y correlacionándolos con la respuesta correspondiente. Posteriormente, la evaluación se basa en considerar en qué medida la variación de un parámetro del proceso podría afectar nuestras respuestas.
Por ejemplo, si se asume un impacto muy alto de un parámetro del proceso, o si no se tiene conocimiento previo de una posible influencia, se definiría una puntuación de riesgo alta. Sin embargo, si ya se sabe que este parámetro no influye, o si existe una alta certeza al respecto, se puede definir o anotar una puntuación de riesgo baja. Esto facilita enormemente la identificación de parámetros del proceso potencialmente no influyentes, que podrían excluirse del estudio del DOE.
El mismo ejercicio puede realizarse también para términos de orden superior, es decir, interacciones de dos factores o ecuaciones cuadráticas. En este caso, la justificación científica y el conocimiento previo pueden ser de gran ayuda para identificar cuáles de los términos de orden superior deberían incluirse en el estudio y cuáles no.
En ambas evaluaciones actuales, la evaluación de los efectos principales y también la evaluación de las interacciones nos permiten en última instancia una definición muy clara del diseño del estudio DOE, porque simplemente hablando, se puede decir que para cada término del modelo que se desea investigar, se requiere una ejecución experimental adicional y, a través de este enfoque, se vuelve realmente posible crear aquí un diseño específico que realmente se adapte a sus requisitos específicos.
Para generar nuestro estudio de DOE, utilizamos la plataforma DOE personalizada de JMP. Una vez diseñado, podemos ir al laboratorio y realizar todos los experimentos, recopilar todos los datos y utilizarlos para definir nuestro modelo estadístico, que es la representación que describe la relación entre las variables de entrada, los factores y la respuesta. Esto puede utilizarse para definir los parámetros críticos del proceso, ya que asumimos que la evaluación de riesgos por sí sola no debe utilizarse para detectar y controlar los CPP. Esta solo puede basarse en mediciones de cómo los factores influyen directamente en la respuesta. En este caso, el DOE es claramente el método de elección, ya que ayuda a aislar la influencia de cada factor e interacción en la respuesta crítica.
Para definir nuestros CPP, necesitamos, por un lado, nuestras estimaciones escaladas para obtener finalmente la magnitud del efecto de nuestros factores, y también el rango de tolerancia, que es el área entre el límite superior e inferior de especificación. Finalmente, determinamos estos factores, que desplazan la media de la respuesta en más del 20 % de la tolerancia en nuestro estudio DOE, y los consideramos parámetros críticos del proceso. Repito: los factores que desplazan la media de la respuesta en más del 20 % de la tolerancia en nuestro estudio DOE se consideran parámetros críticos del proceso.
Tras definir nuestros CPP para nuestras operaciones unitarias, el espacio de diseño se utiliza para definir los rangos de factores específicos de nuestro proceso. Dado que el espacio de diseño es muy dinámico y depende de la configuración de los factores respectivos, utilizamos simulaciones de Monte Carlo para simular la variación entre lotes y explorar su naturaleza dinámica.
La simulación incluirá tres fuentes clave de variación. Por un lado, la variación proveniente del modelo, de la respuesta o producto caracterizado, y la variación de cada factor investigado. Además, consideraremos la variación residual, no considerada por el modelo, también conocida como error cuadrático medio. Esta podría ser, por ejemplo, la variación proveniente del método analítico. Con esta información, JMP puede generar o simular miles de experimentos que ayudan a evaluar y estimar la capacidad del proceso.
Por ejemplo, en este ejemplo, vemos que tenemos una tasa de defectos o de fuera de especificación de más del 33%, lo cual es demasiado alto, por lo que claramente necesitamos aquí alguna adaptación de los límites del proceso o de los parámetros.
Para definir nuestros rangos de factores, utilizamos un script de nuestro consultor, bastante similar al Design Space Profiler. Este script ayuda a visualizar los datos simulados y las tasas de fallos que se producirán en el proceso. Los puntos rojos representan ejecuciones experimentales simuladas fuera de especificación, mientras que los puntos verdes representan nuestras ejecuciones de inspección.
Me gusta mucho este gráfico porque permite evaluar en qué medida los factores influyen en nuestra respuesta. Por ejemplo, para el factor D, observamos que, en correlación con la respuesta A, en el extremo superior del rango del factor hay una mayor proporción de inspecciones. Al adaptar manualmente estos límites, podemos definir rangos de parámetros de proceso más significativos, más sensatos y más capaces de permitir una producción más robusta. Anteriormente, teníamos alrededor del 33 % de puntos fuera de especificación; ahora estamos por debajo del 1 %, lo que realmente cumple con nuestros requisitos. Estos límites, definidos manualmente, se utilizan como nuestros rangos aceptables comprobados para los parámetros de proceso.
También definimos nuestro rango operativo normal, que se basa en datos históricos, equipos y capacidad personal, también bajo consideración de los rangos aceptables probados establecidos, lo que significa que estos límites NOR normalmente deberían ser más estrictos que los PAR.
Esta fue mi presentación. Ahora, cambiaré de tema y comenzaré mi presentación en JMP. Hoy quiero mostrarles un ejemplo que también se incluyó en uno de nuestros estudios de caracterización. En este estudio de efecto de dominio (DOE), tuvimos cinco respuestas diferentes. Investigamos seis factores diferentes y, a partir de nuestra evaluación de riesgo de bajo nivel, decidimos investigar, por supuesto, todos los efectos principales, pero también investigamos algunas interacciones de dos factores y algunos términos cuadráticos, lo que finalmente resultó en un estudio de DOE de aproximadamente 16 ejecuciones.
Para evaluar nuestro estudio DOE, normalmente utilizamos la plataforma de modelos de ajuste de JMP. Antes de proceder a la evaluación específica del modelo, siempre comenzamos con una verificación de la calidad de los datos. Esto significa que examinamos los residuos de nuestro modelo para ver si presentan patrones específicos que indiquen la presencia de un efecto activo desconocido. Sin embargo, en la fase inicial, los residuos deberían estar dispersos aleatoriamente alrededor de la línea cero. La línea azul indica la distribución normal de los residuos, que es el caso en nuestro caso.
Para detectar valores atípicos, utilizamos los residuos estudentizados externamente. Aquí se recomienda utilizar los límites de Bonferroni, ya que proporcionan un enfoque más conservador, reduciendo así el riesgo de detectar falsamente un punto fuera de tendencia, un valor atípico.
Aquí hay algunas notas adicionales sobre el manejo de puntos fuera de tendencia, valores atípicos, especialmente cuando se trabaja dentro del entorno regulatorio e informa, por ejemplo, a la FDA. Incluso cuando se detecta un valor atípico, es decir, que este punto de datos podría estar fuera de los límites de Bonferroni, esto no significa que deba excluirse automáticamente del conjunto de datos. Siempre se recomienda contar con una justificación científica para esta exclusión de valores atípicos, es decir, por ejemplo, un error de manejo no documentado en el proceso o un error en el método analítico.
Si no cuenta con esto, también puede considerar realizar una comparación de modelos, es decir, comparar el modelo con y sin valores atípicos. Esta comparación debe respaldarse con una justificación de por qué el modelo sin valores atípicos es más representativo para su proceso. Sin embargo, no se recomienda excluir solo puntos de datos con fines estadísticos.
Tras la comprobación de la calidad de los datos, realizaremos la regresión del modelo. Por lo tanto, utilizamos la regresión hacia atrás por pasos, lo que implica eliminar los términos no significativos del modelo. Para ello, seguimos el principio de jerarquía de efectos, es decir, solo podemos eliminar los efectos principales si no están contenidos en un término de orden superior, como en una ecuación cuadrática o de interacción.
Esto, por ejemplo, está marcado aquí con este pequeño signo. Esto nos indica que este efecto principal también forma parte de una interacción, por lo que no podríamos excluirlo a menos que esta interacción también se excluya. Por lo tanto, podemos excluir esta interacción. También podemos excluir este efecto principal, ya que no forma parte de un término de orden superior.
Sí, nuestro umbral para eliminar términos del modelo está en un valor p de 0,1, y en situaciones en las que estamos muy cerca de este umbral, también consideramos aquí el error cuadrático medio de nuestro modelo, lo que significa que cuando eliminamos este término y el RMSE está disminuyendo, entonces esta exclusión estaría justificada ya que queremos reducir la variación desconocida, que está representada por el error cuadrático medio.
Sin embargo, cuando eliminamos este término y el RMSE aumenta, lo que es el caso ahora, no excluiríamos este punto de datos, ya que obviamente contribuye a explicar la variación del modelo, o sí, la variación del modelo en nuestro experimento.
Tras obtener nuestro modelo final, guardaremos la fórmula de predicción y también la fórmula de predicción del error estándar, que posteriormente será importante para definir nuestros rangos aceptables comprobados. Antes de continuar, definiremos los parámetros críticos del proceso. Por lo tanto, debemos asegurarnos de que la tabla de estimación escalada esté abierta, como ya está hecho. A continuación, utilizaremos un complemento de nuestro consultor, un script específico, que ayuda a identificar los parámetros críticos del proceso.
Así es como funciona. Primero, debemos seleccionar el informe del modelo FIT donde se abre la tabla de estimación a escala. A continuación, debemos definir los límites de especificación para nuestra respuesta, que se está investigando actualmente. Normalmente, o idealmente, ya se tendrían límites de especificación predefinidos. Sin embargo, al investigar, por ejemplo, una operación unitaria dentro del proceso, es posible que estos límites para este producto intermedio aún no existan. En tal caso, intentamos considerar los datos a escala y, a continuación, utilizamos los valores mínimo y máximo de los lotes que finalmente cumplieron con la especificación del producto final.
Si esto tampoco está disponible, tenemos un enfoque predeterminado para definir los límites de especificación: el límite inferior utiliza el 80 % de la media del proceso DOE y el límite superior, el 150 %. Sin embargo, en nuestro caso, tenemos la suerte de contar con límites de especificación establecidos: el límite inferior es de 150 y el superior, de 350.
Podemos continuar. El siguiente paso sería definir el umbral para la determinación de los parámetros críticos del proceso. Como mencioné antes, con una desviación media del 20 % de la tolerancia, declaramos los parámetros del proceso como críticos. Sin embargo, pueden adaptar esto a sus requisitos, ya sea incrementando o disminuyendo, como prefieran. En este caso, nos quedaremos con el 20 %.
Finalmente, haremos clic en "Ejecutar". El script realiza el cálculo del CPB, que se realiza utilizando la estimación escalada o los coeficientes, también conocidos como efectos medios, y multiplicándolos por un multiplicador específico. Para los efectos principales, aplicamos un multiplicador de dos. Esto también aplica a las interacciones, y para los efectos cuadráticos, usamos un multiplicador de uno.
Al hacerlo, se calcula el efecto completo y luego este efecto completo se relaciona con el rango de tolerancia, es decir, el área entre el límite de especificación superior e inferior, y si el efecto completo es más del 20 % de este rango de tolerancia, declararíamos este término como un parámetro de proceso crítico, lo cual es cierto para los primeros tres términos aquí en nuestro modelo.
Tras definir nuestros parámetros críticos de proceso, este ejercicio se realiza, por supuesto, para todas las respuestas del modelo. A continuación, usaremos el perfilador para definir los rangos aceptables comprobados para estos parámetros. He realizado un prellenado, pero explicaré brevemente lo que hice. Abrí la opción del simulador en el menú del perfilador y también añadí los valores RMSE correspondientes, es decir, el ruido aleatorio de las respuestas.
Además, definí una distribución triangular. Esta se aplica inicialmente para los factores respectivos, con el pico ubicado en el punto de ajuste del proceso a escala, y los extremos inferior y superior representan los puntos extremos del estudio DOE.
Entonces podríamos simular fácilmente nuestro proceso y ver qué tan alta es nuestra tasa de defectos. Como podemos ver, es bastante alta. Es de alrededor del 33%, por lo que claramente necesitamos mejorar.
Anteriormente, utilizábamos el script Edge of Failure de nuestro consultor para definir nuestros rangos aceptables comprobados. Actualmente, esto también se hace en Lentigen o en nuestra planta de desarrollo de procesos en Gaithersburg, ya que aún utilizan JMP 16. Sin embargo, desde JMP 17, también cuentan con el Design Space Profiler, una herramienta que me gustaría mostrarles hoy.
Abriré el Design Space Profiler. Lo que realmente me gusta es que podemos ver en línea o directamente la parte de inspección de todo el proceso. Esto también se aplica a nuestras respectivas respuestas, por lo que podemos ver la parte de inspección individual para cada respuesta. Ahora tenemos la posibilidad de adaptar manualmente nuestros rangos de factores o hacerlo automáticamente, lo cual haré ahora.
Se puede observar que la porción de inspección aumenta, los rangos de factores disminuyen y nuestro objetivo es finalmente tener una porción de inspección de al menos el 99%, como ya es. Podría llegar a la conclusión: "¡Vaya, esto es muy ajustado! ¡Madre mía, esto no es práctico para nuestros equipos de fabricación!". Luego, por supuesto, también puede reajustar estos límites según sus necesidades.
Por ejemplo, aquí tenemos mucha flexibilidad; podríamos ajustar un poco este rango, y esto también, como vemos, me da un poco más de flexibilidad. Esto es muy útil. Puede continuar hasta que esté satisfecho con los rangos de parámetros y la parte de inspección. Estos límites se definen posteriormente o mediante este procedimiento. Por supuesto, puede reducirlos a un decimal más relevante, los rangos de factores respectivos, pero estos son finalmente los rangos aceptables comprobados para el proceso.
Podríamos entonces también tender a los respectivos puntos medios del perfilador, también a los respectivos límites, y allí utilizar entonces la opción normal con límites en tres sigma, y luego podríamos volver a verificar nuevamente nuestra parte de inspección del proceso, que está, por supuesto, nuevamente por encima del 99%, que era nuestro objetivo, así que muy bien.
Por último, por supuesto también es muy, muy importante y necesario validar estos límites con los departamentos de fabricación, porque estos límites, por supuesto, tienen que ser prácticos dentro de la producción rutinaria, y esto finalmente se discute con algunos departamentos de fabricación.
Espero haberles mostrado que hemos establecido un enfoque muy útil para usar el espacio de diseño para la definición de PAR y CPP. Inicialmente, hablamos de un enfoque basado en riesgos para definir un diseño a medida para los estudios de DOE, que se basa en gran medida en sus requisitos específicos. También hablamos sobre cómo definir los parámetros críticos del proceso, considerando su impacto real en nuestros CQA. También hablamos sobre cómo definir rangos aceptables comprobados para su proceso y cómo usar el Design Space Profiler para este ejercicio.
Como mencioné, también estamos usando esta mitología para nuestros propios productos y nos complace mucho que uno de nuestros clientes el año pasado también aprobara una solicitud de BLA utilizando este enfoque. Dicho esto, les agradezco su atención.
