La mia ricerca mira a migliorare l'efficienza dello sviluppo di processi nelle fasi iniziali con cellule di mammifero nell'industria biofarmaceutica, applicando un approccio di progettazione sperimentale intensificata (iDoE). A differenza della progettazione sperimentale classica, l'iDoE prevede variazioni intra-sperimentali dei parametri critici di processo (CPP). Questo approccio non solo aumenta l'efficienza nella generazione dei dati, ma consente anche di considerare le dinamiche temporali del processo attraverso l'ottimizzazione per fasi. Tuttavia, una potenziale limitazione è che le precedenti impostazioni dei CPP possono influenzare (in modo irreversibile) le cellule e condizionare il loro comportamento di risposta ai successivi punti di impostazione dei CPP.
Per affrontare questo problema, la mia ricerca si concentra sullo sviluppo di linee guida per la pianificazione e la valutazione rigorose degli iDoE, considerando l'impatto della storia del processo. L'obiettivo dello studio di simulazione presentato è quello di indagare l'impatto che diverse dimensioni dell'effetto dei termini di interazione associati alla storia del processo hanno sui nostri modelli di regressione. Successivamente, le stime beta e le componenti di varianza di questi modelli vengono confrontate per valutare l'impatto del non considerare esplicitamente la storia del processo. Questa ricerca ha il potenziale per avere un impatto significativo sull'industria biofarmaceutica, innovando il modo in cui viene eseguita l'ottimizzazione dei processi nelle fasi iniziali dello sviluppo, considerando la natura dinamica di questi processi.
Ciao a tutti e benvenuti alla mia breve presentazione sullo studio di simulazione che ho condotto utilizzando JMP, in cui ho simulato l'impatto della cronologia del processo sui nostri modelli di regressione iDoE. Permettetemi di iniziare con una brevissima introduzione.
Ci occupiamo di bioprocessi, che di solito vengono eseguiti all'interno di bioreattori. In questi bioreattori, le cellule vengono coltivate e successivamente producono il nostro prodotto finale, che in genere è un anticorpo. Questi processi dipendono da numerosi parametri, come la temperatura, l'ossigeno disciolto e molti altri.
Solitamente, utilizziamo la progettazione degli esperimenti per identificare i parametri di processo ideali per massimizzare la nostra risposta, ad esempio, la resa del nostro anticorpo o la densità di cellule vitali che otteniamo nel nostro processo. Questi processi possono essere suddivisi in diverse fasi classiche tipiche di un processo di crescita cellulare, ovvero la fase di crescita, la fase di transizione e la fase di produzione.
Nella diapositiva successiva, mostro due diverse curve di crescita del bioreattore, quella verde e quella blu. Come potete vedere, il bioreattore blu, in questo caso, ha un titolo tre volte superiore a quello del bioreattore verde. In cosa differiscono? Differiscono, come potete notare, in base al profilo di temperatura utilizzato nei rispettivi processi.
Come potete vedere, la curva di crescita blu è molto più alta. La densità di cellule vitali è molto più elevata rispetto al processo verde, il che spiega questo aumento di valore. Questo evidenzia come, comprendendo le dinamiche del processo, possiamo potenzialmente migliorare notevolmente le prestazioni dei nostri bioprocessi.
Esattamente questa è l'idea alla base della progettazione intensificata degli esperimenti. In questo tipo di progettazione, dividiamo il processo in fasi separate. Ecco la fase uno, la fase due e la fase tre, e apportiamo modifiche ai parametri all'interno dell'esperimento nel corso del tempo.
Modificheremmo i parametri del processo dalla fase di crescita a quella di transizione e infine a quella di regressione produttiva, ottimizzando così le impostazioni dei parametri all'interno di ciascuna di queste fasi separate, anziché utilizzare un unico set di parametri per l'intero processo. In questo modo, potremmo ottimizzare le dinamiche del processo stesso.
Una certa sfida in questo approccio, tuttavia, è come considerare correttamente l'effetto della storia del processo sui nostri modelli di regressione. Ad esempio, in che modo i parametri del processo della fase 1 influenzano il comportamento di risposta delle nostre cellule alle variazioni dei parametri del processo nella fase 2 o nella fase 3? Questo è proprio l'obiettivo di questo studio di simulazione: indagare l'impatto della storia del processo sui nostri modelli di regressione.
Come ho simulato questo? Ho simulato i dati per un disegno sperimentale intensificato con due parametri di processo, in questo caso temperatura e ossigeno disciolto, e tre fasi: fase 1, fase 2 e fase 3. L'effetto di ciascun parametro di processo all'interno di ogni fase è descritto esplicitamente, come potete vedere qui: temperatura 1 e ossigeno disciolto per la prima fase, poi per la seconda fase e per la terza fase. Tutti questi parametri di processo sono modellati come fattori difficili da modificare e, allo stesso tempo, stiamo anche studiando la durata della coltura come un fattore facile da modificare, ovvero la componente temporale.
Abbiamo anche il bioreattore, che viene modellato come un'unica area per tenere conto degli spostamenti casuali tra i vari componenti del bioreattore. Lo modelliamo come un modello lineare misto.
Dove possiamo trovare la cronologia del processo all'interno di questo contesto? La cronologia del processo si trova all'interno di queste interazioni tra le diverse fasi, ovvero qual è l'impatto delle impostazioni dei parametri di processo della prima fase sul comportamento di risposta delle nostre cellule attraverso le modifiche dei parametri di processo nella seconda o terza fase, qui evidenziate per la temperatura nella fase 1. Queste interazioni tra le diverse fasi possono essere utilizzate per farsi un'idea dell'influenza della cronologia del processo.
Questo mi porta alla configurazione della mia simulazione. Ho utilizzato la piattaforma di simulazione della risposta in JMP. Ho usato esattamente il design che vi ho appena mostrato nelle diapositive precedenti per creare un modello e per farmi un'idea di come potrebbero apparire i coefficienti beta in questo modello.
Ho utilizzato le conoscenze derivanti da modelli di regressione storici per creare questo modello di base. All'interno di questo modello di base, ho evidenziato le interazioni simulate tra le diverse fasi, che ho utilizzato per modellare l'impatto della storia del processo. Queste interazioni tra le diverse fasi ci forniscono un'idea dell'impatto della storia del processo sui modelli di regressione.
Per avere anche un'idea visiva dell'aspetto dei dati, ho qui rappresentato graficamente la densità di cellule vitali in funzione della durata della coltura per questo modello base simulato, colorato in base all'effetto della temperatura nella fase 1. Ma poiché siamo interessati all'impatto della storia del processo, ho modificato questo modello base, creando un modello alternativo in cui ho variato l'entità di queste interazioni tra le fasi. Come si può vedere qui, in questo caso, ho raddoppiato i coefficienti delle interazioni tra le fasi, poi li ho dimezzati e infine li ho ridotti a un quarto per simulare diversi scenari con un impatto diverso della storia del processo.
Come potete vedere in quei grafici, anche questi producono curve di densità cellulare vitale dall'aspetto perfettamente valido. Ho usato questi quattro diversi modelli che vi ho appena mostrato come effetti fissi nei miei modelli lineari misti. Ho anche introdotto un errore casuale nel grafico dei fori e un errore residuo casuale. Quello che ho fatto poi è stato adattare questi modelli.
Innanzitutto, qui potete vedere tutti i termini ammissibili che ho incluso nel mio modello. Tutti i termini che ho simulato, comprese queste interazioni tra le fasi, che utilizzo come proxy per la cronologia del processo. Il secondo modello che ho adattato non conteneva queste interazioni tra le fasi, quindi non era in grado di tenere conto della cronologia del processo.
Ho quindi confrontato i due modelli in base alle loro stime beta, ovvero alla loro capacità di stimare accuratamente i coefficienti beta che conoscevo dalla mia simulazione, nonché alle componenti di varianza. Ho ripetuto questo processo di adattamento 1.000 volte e successivamente ho analizzato le rispettive distribuzioni. Questo è ciò che vorrei mostrarvi nella sezione dei risultati.
Per darvi un'idea di come appaiono effettivamente i dati, qui, per un beta, ho visualizzato la distribuzione della stima del beta per il modello completo con interazione tra le fasi, considerando la storia del processo, e per il modello ridotto senza interazioni tra le fasi, non considerando la storia del processo.
Come potete vedere, per interazioni tra le fasi di grande entità, moltiplicate per due, abbiamo una differenza piuttosto grande tra le distribuzioni delle stime beta medie. Mentre per effetti di interazione tra le fasi di piccola entità, abbiamo una differenza molto piccola tra le stime medie di entrambe le distribuzioni delle stime beta di questi 1.000 adattamenti che ho eseguito. Se la differenza tra le stime di entrambe le distribuzioni beta è zero, significa che le stime medie di entrambi i modelli sono uguali.
Nella diapositiva successiva, ho calcolato la differenza media tra la stima beta del modello completo, considerando la cronologia del processo, e il modello ridotto senza interazioni tra le fasi, che non considera la cronologia del processo.
Come possiamo vedere, per effetti di grande entità di queste interazioni tra le fasi, c'è una differenza piuttosto grande nelle stime beta medie per il modello completo e il modello senza interazioni tra le fasi. Mentre per effetti di piccola entità di queste interazioni tra le fasi, la differenza è davvero marginale.
Nella prossima diapositiva vorrei mostrarvi le componenti della varianza. Anche in questo caso, confrontando il modello completo, considerando la storia del processo e le interazioni tra le fasi, possiamo osservare che le componenti della varianza sono stimate correttamente, con un valore di 0,25, indipendentemente dalla dimensione dell'effetto di tali interazioni. Al contrario, per il modello ridotto senza interazioni tra le fasi, si nota una varianza complessiva molto più elevata rispetto alla varianza residua.
Quanto minore è l'effetto di queste interazioni tra le fasi, tanto più queste componenti di varianza si avvicinano alle componenti di varianza effettivamente simulate. Questa varianza complessiva del grafico gonfiata è probabilmente dovuta al fatto che il modello spiega parte di questa varianza dovuta ai termini di interazione mancanti nel modello gonfiando questo termine di varianza complessiva del grafico.
Questo mi porta alla conclusione, quindi alla parte finale della mia presentazione. Abbiamo visto che per interazioni tra le fasi molto piccole, ovvero per un piccolo effetto della storia del processo, il modello senza interazioni tra le fasi si proietta sul modello completo, che tiene conto della storia del processo. Ciò significa che queste interazioni tra le fasi potrebbero potenzialmente essere trascurate nella modellazione.
Al contrario, quando abbiamo grandi interazioni tra le fasi o un forte impatto della storia del processo, possiamo osservare un impatto piuttosto significativo sulla stima beta, che si può notare dalla differenza tra la stima beta media del modello completo rispetto al modello senza interazioni tra le fasi. Questo viene parzialmente compensato nel modello senza interazioni tra le fasi da un'inflazione delle varianti dell'intero lotto.
Per fornire una panoramica molto sintetica, vorremmo generalizzare questi risultati quantificando l'entità delle interazioni tra le diverse fasi rispetto alle interazioni non tra le fasi, in modo da poterli confrontare con i risultati sperimentali effettivi che speriamo di ottenere in futuro.
Inoltre, vorremmo estendere questo benchmarking ad ulteriori approcci di modellazione, come i modelli di regressione a fasi, nonché utilizzare il Functional Data Explorer per analizzare i dati iDoE.
La mia presentazione è conclusa. Desidero ringraziarvi tutti per l'attenzione e in particolare Verena e Beate per la supervisione e la guida fornite durante il mio progetto di dottorato.
