Mes recherches visent à améliorer l'efficacité du développement précoce des procédés utilisant des cellules de mammifères dans l'industrie biopharmaceutique, grâce à une approche de conception expérimentale intensifiée (iDoE). Contrairement à la conception expérimentale classique, l'iDoE implique des variations intra-expérimentales des paramètres critiques du procédé (PCP). Cette approche accroît non seulement l'efficacité de la génération de données, mais permet également de prendre en compte la dynamique temporelle du procédé par une optimisation par étapes. Toutefois, une limite potentielle réside dans le fait que les paramètres de PCP précédemment définis peuvent avoir un impact (irréversible) sur les cellules et affecter leur réponse aux paramètres de PCP suivants.
Pour remédier à ce problème, mes recherches portent sur l'élaboration de lignes directrices pour la planification et l'évaluation robustes des plans d'expériences intégrés (iDoE), en tenant compte de l'impact de l'historique du procédé. L'étude de simulation présentée vise à examiner l'influence de différentes tailles d'effet des termes d'interaction associés à l'historique du procédé sur nos modèles de régression. Ensuite, les estimations bêta et les composantes de variance de ces modèles sont comparées afin d'évaluer l'impact de la non-prise en compte explicite de l'historique du procédé. Ces recherches ont le potentiel d'avoir un impact significatif sur l'industrie biopharmaceutique en innovant dans la manière dont l'optimisation des procédés est réalisée lors des phases précoces de développement, en tenant compte de la nature dynamique de ces procédés.
Bonjour à tous et bienvenue à cette brève présentation que je vais faire sur l'étude de simulation que j'ai réalisée avec JMP, où j'ai simulé l'impact de l'historique du processus sur nos modèles de régression iDoE. Permettez-moi de commencer par une très courte introduction.
Nous travaillons sur des bioprocédés, généralement réalisés dans des bioréacteurs. Dans ces bioréacteurs, des cellules sont cultivées, puis elles produisent notre produit final, généralement un anticorps. Ces procédés dépendent de nombreux paramètres, tels que la température, l'oxygène dissous, etc.
Généralement, on utilise la planification d'expériences pour identifier les paramètres de procédé optimaux permettant de maximiser la réponse, par exemple le rendement en anticorps ou la densité cellulaire viable obtenue. Ces procédés peuvent être divisés en différentes étapes classiques, typiques de la culture cellulaire : la croissance, la transition et la production.
Sur la diapositive suivante, je présente deux courbes de croissance différentes pour des bioréacteurs : la verte et la bleue. Comme vous pouvez le constater, le bioréacteur bleu affiche une valeur trois fois supérieure à celle du bioréacteur vert. Quelle est la différence ? Elle réside, comme vous pouvez le voir, dans le profil de température appliqué lors de chaque procédé.
Comme vous pouvez le constater, la courbe de croissance bleue est nettement supérieure. La densité cellulaire viable est bien plus élevée que dans le procédé vert, ce qui explique cette augmentation. Ceci souligne qu'en comprenant la dynamique du procédé, nous pouvons potentiellement améliorer considérablement les performances de nos bioprocédés.
C’est précisément le principe de la conception expérimentale intensifiée. Dans ce cadre, on divise le processus en étapes distinctes (étape 1, étape 2 et étape 3) et on effectue des variations de paramètres intra-expérimentaux au fil du temps.
Nous modifierions les paramètres du processus, de la phase de croissance à la phase de transition puis à la phase de régression de la production, ce qui nous permettrait d'optimiser les paramètres au sein de chacune de ces étapes distinctes au lieu d'utiliser un seul ensemble de paramètres pour l'ensemble du processus, et ainsi d'optimiser la dynamique de ce processus.
L'une des difficultés de cette approche réside dans la prise en compte adéquate de l'influence de l'historique du procédé sur nos modèles de régression. Par exemple, comment les paramètres du procédé de l'étape 1 influencent-ils la réponse de nos cellules aux variations de ces paramètres aux étapes 2 et 3 ? C'est précisément l'objectif de cette étude de simulation : analyser l'impact de l'historique du procédé sur nos modèles de régression.
Comment ai-je simulé cela ? J’ai simulé les données pour un plan d’expériences intensifié avec deux paramètres de procédé, en l’occurrence la température et l’oxygène dissous, et trois étapes : étape 1, étape 2 et étape 3. L’effet de chaque paramètre de procédé au sein de chaque étape est décrit explicitement, comme vous pouvez le constater : la température et l’oxygène dissous pour la première étape, puis pour la deuxième et enfin pour la troisième. Tous ces paramètres de procédé sont modélisés comme des facteurs difficiles à modifier. Parallèlement, nous étudions également la durée de culture, considérée comme un facteur facile à modifier, qui représente la composante temporelle.
Nous avons également le bioréacteur, modélisé comme une parcelle entière afin de prendre en compte les décalages aléatoires entre ses éléments. Nous le modélisons à l'aide d'un modèle linéaire mixte.
Où peut-on trouver l'historique du procédé ? Il se trouve dans les interactions entre les différentes étapes, c'est-à-dire l'impact des paramètres de la première étape sur la réponse des cellules, suite aux modifications de ces paramètres dans les deuxième et troisième étapes (ici, la température de la première étape). Ces interactions permettent d'appréhender l'influence de l'historique du procédé.
J'en viens donc à la configuration de ma simulation. J'ai utilisé la plateforme de simulation de réponse de JMP. J'ai repris exactement le modèle que je vous ai présenté dans les diapositives précédentes afin de créer un modèle et d'avoir une idée de ce à quoi pourraient ressembler les coefficients bêta dans ce modèle.
J'ai utilisé les connaissances issues de modèles de régression historiques pour créer ce modèle de base. Au sein de ce modèle, j'ai simulé les interactions entre les différentes étapes, ce qui m'a permis de modéliser l'impact de l'historique du processus. Ces interactions nous donnent une idée de l'influence de l'historique du processus sur les modèles de régression.
Pour visualiser les données, j'ai représenté graphiquement la densité cellulaire viable en fonction de la durée de culture pour ce modèle de base simulé, colorée selon l'effet de la température lors de la première étape. Cependant, comme nous nous intéressons à l'impact de l'historique du procédé, j'ai modifié ce modèle de base en créant un modèle alternatif où j'ai fait varier l'amplitude de ces interactions entre les étapes. Vous pouvez constater ici que, dans ce cas, j'ai doublé, puis divisé par deux et enfin par quatre les coefficients des interactions entre les étapes afin de simuler différents scénarios avec différents impacts de l'historique du procédé.
Comme vous pouvez le constater sur ces graphiques, ces modèles produisent également des courbes de densité cellulaire viable parfaitement valides. J'ai utilisé ces quatre modèles différents, que je viens de vous présenter, comme effets fixes dans mes modèles linéaires mixtes. J'ai également introduit une erreur aléatoire liée à l'espacement des trous et une erreur résiduelle aléatoire. J'ai ensuite ajusté ces modèles.
Vous pouvez d'abord constater que voici tous les termes éligibles de mon modèle. Tous les termes que j'ai simulés, y compris les interactions entre les étapes, que j'utilise comme approximation de l'historique du processus. Le second modèle que j'ai ajusté ne comportait pas ces interactions entre les étapes et ne pouvait donc pas prendre en compte l'historique du processus.
J'ai ensuite comparé ces deux modèles en fonction de leurs estimations bêta, c'est-à-dire de leur capacité à estimer les coefficients bêta que je connaissais grâce à ma simulation, ainsi que les composantes de la variance. J'ai répété cet ajustement 1 000 fois et examiné les distributions obtenues. C'est ce que je vais vous présenter dans la section des résultats.
Pour vous donner une idée de ce à quoi ressemblent réellement les données, voici, pour une valeur bêta, la distribution des estimations bêta pour le modèle complet avec interaction entre les étapes, en tenant compte de l'historique du processus, et pour le modèle réduit sans interactions entre les étapes, sans tenir compte de l'historique du processus.
Comme vous pouvez le constater, pour des interactions inter-étapes importantes (multipliées par deux), l'écart entre les distributions moyennes des estimations bêta est assez marqué. En revanche, pour des effets d'interaction inter-étapes très faibles, l'écart entre les estimations moyennes des deux distributions bêta, obtenues à partir des 1 000 ajustements réalisés, est minime. Si la différence entre les estimations des deux distributions bêta est nulle, cela signifie que les estimations moyennes des deux modèles sont identiques.
Sur la diapositive suivante, j'ai calculé la différence moyenne entre l'estimation bêta du modèle complet, prenant en compte l'historique du processus, et le modèle réduit sans interactions entre les étapes, qui ne tient pas compte de l'historique du processus.
Comme on peut le constater pour des effets importants de ces interactions entre les étapes, il existe une différence significative entre les estimations moyennes du coefficient bêta du modèle complet et celles du modèle sans interactions entre les étapes. En revanche, pour des effets faibles de ces interactions, la différence est minime.
Ce que je souhaite vous présenter sur la diapositive suivante, ce sont les composantes de la variance. En comparant le modèle complet, qui tient compte de l'historique du processus et des interactions entre les étapes, on constate que les composantes de la variance sont correctement estimées à 0,25, indépendamment de l'ampleur de l'effet de ces interactions. En revanche, pour le modèle réduit sans interactions entre les étapes, on observe une variance globale très élevée par rapport à la variance résiduelle.
Plus l'effet de ces interactions entre les stades est faible, plus les composantes de variance se rapprochent des valeurs simulées. Cette variance globale surestimée est probablement due au fait que le modèle tente d'expliquer une partie de la variance liée aux termes d'interaction manquants en surestimant la variance globale.
Ceci m'amène à la conclusion, donc au point final de ma présentation. Nous avons constaté que pour de très faibles interactions entre les étapes, c'est-à-dire un faible impact de l'historique du processus, le modèle sans interactions entre les étapes se projette sur le modèle complet, qui prend en compte l'historique du processus. Autrement dit, ces interactions entre les étapes pourraient potentiellement être négligées dans la modélisation.
En revanche, en présence d'interactions importantes entre les étapes ou d'un fort impact de l'historique du processus, l'estimation du coefficient bêta est fortement affectée. Cette différence se traduit par un écart significatif entre l'estimation moyenne du coefficient bêta du modèle complet et celle du modèle sans interactions entre les étapes. Dans le modèle sans interactions entre les étapes, cet effet est partiellement compensé par une augmentation des variantes globales.
Pour donner un aperçu très bref, nous aimerions généraliser ces résultats, peut-être en quantifiant l'ampleur des interactions entre les stades par rapport aux interactions hors stade, afin de pouvoir les comparer aux résultats expérimentaux réels que nous espérons obtenir à l'avenir.
De plus, nous aimerions étendre cette analyse comparative à d'autres approches de modélisation telles que les modèles de régression par étape, ainsi qu'à l'utilisation de l'explorateur de données fonctionnelles pour l'analyse des données iDoE.
Ma présentation est maintenant terminée. Je vous remercie tous chaleureusement de votre attention, et je tiens à remercier tout particulièrement Verena et Beate pour leur encadrement et leurs précieux conseils durant mon projet de doctorat.
