Mi investigación tiene como objetivo mejorar la eficiencia del desarrollo de procesos en etapas tempranas con células de mamíferos en la industria biofarmacéutica mediante la aplicación de un enfoque de diseño experimental intensificado (iDoE). A diferencia del diseño experimental clásico, el iDoE implica variaciones intraexperimentales de los parámetros críticos del proceso (CPP). Este enfoque no solo aumenta la eficiencia en la generación de datos, sino que también permite considerar la dinámica temporal del proceso a través de la optimización por etapas. Sin embargo, una limitación potencial es que los ajustes previos de los CPP pueden afectar (irreversiblemente) a las células y influir en su comportamiento de respuesta a los siguientes puntos de ajuste de los CPP.
Para abordar este problema, mi investigación se centra en desarrollar directrices para planificar y evaluar de forma robusta los iDoE, considerando el impacto del historial del proceso. El objetivo del estudio de simulación presentado es investigar el impacto que tienen los diferentes tamaños del efecto de los términos de interacción asociados al historial del proceso en nuestros modelos de regresión. Posteriormente, se comparan las estimaciones beta y los componentes de la varianza de estos modelos para evaluar el impacto de no considerar explícitamente el historial del proceso. Esta investigación tiene el potencial de impactar significativamente la industria biofarmacéutica al innovar la forma en que se realiza la optimización de procesos en las primeras etapas de desarrollo, considerando la naturaleza dinámica de estos procesos.
Hola y bienvenidos a mi breve charla sobre el estudio de simulación que realicé con JMP, donde simulé el impacto del historial del proceso en nuestros modelos de regresión iDoE. Permítanme comenzar con una breve introducción.
Trabajamos con bioprocesos, que generalmente se llevan a cabo en biorreactores. Dentro de estos biorreactores, se cultivan células que luego producen nuestro producto final, que suele ser un anticuerpo. Estos procesos dependen de diversos parámetros, como la temperatura, el oxígeno disuelto y muchos otros.
Generalmente, utilizamos el diseño de experimentos para identificar los parámetros óptimos del proceso y maximizar nuestra respuesta; por ejemplo, el rendimiento de nuestro anticuerpo o la densidad de células viables que obtenemos durante el proceso. Estos procesos se pueden dividir en diferentes etapas clásicas típicas del crecimiento celular: crecimiento, transición y producción.
En la siguiente diapositiva, les muestro dos curvas de crecimiento de biorreactores diferentes: la verde y la azul. Como pueden ver, el biorreactor azul, en este caso, tiene el triple de capacidad que el biorreactor verde. ¿En qué se diferencian? Se diferencian, como pueden observar, en el perfil de temperatura que se ha aplicado en cada proceso.
Como se puede observar, la curva de crecimiento azul es mucho más alta. La densidad de células viables es mucho mayor que en el proceso verde, lo que explica este aumento en el valor. Esto demuestra que, al comprender la dinámica del proceso, podemos mejorar significativamente el rendimiento de nuestros bioprocesos.
Precisamente esta es la idea detrás del diseño experimental intensificado. En este método, dividimos el proceso en etapas separadas (etapa uno, etapa dos y etapa tres) y realizamos cambios en los parámetros dentro del experimento a lo largo del tiempo.
Modificaríamos los parámetros del proceso desde la fase de crecimiento hasta la transición a la fase de regresión de la producción, y de esta manera podríamos optimizar la configuración de los parámetros dentro de cada una de estas etapas separadas en lugar de tener un conjunto único de parámetros que usaríamos para todo el proceso, lo que nos permitiría optimizar la dinámica de estos procesos.
Un desafío en este enfoque radica en cómo considerar adecuadamente el efecto del historial del proceso en nuestros modelos de regresión. Por ejemplo, ¿cómo influyen los parámetros del proceso de la etapa 1 en la respuesta de nuestras células a los cambios en dichos parámetros en las etapas 2 o 3? Precisamente este es el objetivo de este estudio de simulación: investigar el impacto del historial del proceso en nuestros modelos de regresión.
¿Cómo lo simulé? Simulé los datos para un diseño experimental intensificado con dos parámetros de proceso, en este caso, temperatura y oxígeno disuelto, y tres etapas: etapa 1, etapa 2 y etapa 3. El efecto de cada parámetro de proceso dentro de cada etapa se describe explícitamente, como se puede ver aquí: temperatura 1 y oxígeno disuelto para la primera etapa, luego para la segunda etapa y para la tercera etapa. Todos estos parámetros de proceso se modelan como factores difíciles de modificar y, al mismo tiempo, también estamos investigando la duración del cultivo como un factor fácil de modificar, que es el componente temporal.
También tenemos el biorreactor, que se modela como una parcela completa para tener en cuenta las variaciones aleatorias entre los biorreactores. Lo modelamos como un modelo lineal mixto.
¿Dónde podemos encontrar el historial del proceso? El historial del proceso se encuentra en las interacciones entre etapas, es decir, ¿cuál es el impacto de los parámetros de configuración de la primera etapa en el comportamiento de respuesta de nuestras células a través de los cambios en los parámetros de la segunda o tercera etapa? Aquí se destaca la temperatura en la etapa 1. Estas interacciones entre etapas pueden utilizarse para comprender la influencia del historial del proceso.
Esto me lleva a la configuración de mi simulación. Utilicé la plataforma de simulación de respuesta de JMP. Empleé exactamente el diseño que les mostré en las diapositivas anteriores para crear un modelo y hacerme una idea de cómo podrían ser los coeficientes beta en este modelo.
Para crear este modelo base, utilicé conocimientos derivados de modelos de regresión históricos. Dentro de este modelo, simulé las interacciones entre etapas, las cuales utilicé para modelar el impacto del historial del proceso. Estas interacciones entre etapas nos permiten comprender el impacto del historial del proceso en los modelos de regresión.
Para visualizar mejor los datos, representé gráficamente la densidad de células viables durante el tiempo de cultivo para este modelo base simulado, coloreando según el efecto de la temperatura en la etapa 1. Sin embargo, dado que nos interesa el impacto del historial del proceso, modifiqué este modelo base, creando un modelo alternativo donde varié la magnitud de estas interacciones entre etapas. Como se puede observar, en este caso, dupliqué los coeficientes de las interacciones entre etapas, luego los reduje a la mitad y finalmente a la cuarta parte para simular diferentes escenarios con distinto impacto del historial del proceso.
Como pueden ver en esos gráficos, también dan como resultado curvas de densidad de células viables que parecen perfectamente válidas. Utilicé estos cuatro modelos diferentes que les acabo de mostrar como efectos fijos en mis modelos lineales mixtos. También introduje un error aleatorio en el gráfico de agujeros y un error residual aleatorio. Luego, ajusté estos modelos.
Primero, aquí pueden ver todos los términos elegibles que tenía en mi modelo. Todos los términos que simulé, incluidas estas interacciones entre etapas, que uso como indicador del historial del proceso. El segundo modelo que ajusté no contenía estas interacciones entre etapas, por lo que no tenía forma de incorporar el historial del proceso.
Luego comparé esos dos modelos basándome en sus estimaciones beta, en qué tan bien estimaban los coeficientes beta que conocía de mi simulación, así como los componentes de la varianza. Repetí este ajuste 1000 veces y luego examiné las distribuciones respectivas. Esto es lo que me gustaría mostrarles a continuación en la sección de resultados.
Para que se hagan una idea de cómo son realmente los datos, aquí, para una versión beta, he visualizado la distribución de la estimación beta para el modelo completo con interacción entre etapas, teniendo en cuenta el historial del proceso, y para el modelo reducido sin interacciones entre etapas, sin tener en cuenta el historial del proceso.
Como se puede observar, para interacciones grandes entre etapas (en este caso, dos veces), existe una diferencia considerable entre las distribuciones de la estimación beta media. En cambio, para efectos de interacción entre etapas muy pequeños, la diferencia entre las estimaciones medias de ambas distribuciones de la estimación beta de los 1000 ajustes realizados es mínima. Si la diferencia entre las estimaciones de ambas distribuciones beta es cero, significa que las estimaciones medias de ambos modelos son iguales.
En la siguiente diapositiva, calculé la diferencia media entre la estimación beta del modelo completo, que considera el historial del proceso, y el modelo reducido sin interacciones entre etapas, que no considera el historial del proceso.
Como podemos observar, para efectos de gran magnitud en estas interacciones entre etapas, existe una diferencia considerable en las estimaciones beta promedio entre el modelo completo y el modelo sin interacciones entre etapas. En cambio, para efectos de pequeña magnitud en estas interacciones entre etapas, la diferencia es mínima.
En la siguiente diapositiva, les mostraré los componentes de la varianza. Al comparar el modelo completo, considerando el historial del proceso y las interacciones entre etapas, podemos observar que los componentes de la varianza se estiman correctamente con un valor de 0,25, independientemente del tamaño del efecto de dichas interacciones. En cambio, para el modelo reducido, sin interacciones entre etapas, la varianza global de la gráfica está muy inflada en comparación con la varianza residual.
Cuanto menor sea el tamaño del efecto de estas interacciones entre etapas, más se aproximarán estos componentes de varianza a los componentes de varianza simulados reales. Esta varianza inflada de la parcela completa probablemente se deba a que el modelo explica parte de esta varianza, derivada de los términos de interacción faltantes en el modelo, al inflar este término de varianza de la parcela completa.
Esto me lleva a la conclusión, al final de mi presentación. Lo que vimos fue que, para interacciones muy pequeñas entre etapas, es decir, un efecto mínimo del historial del proceso, el modelo sin interacciones entre etapas se proyecta sobre el modelo completo, que sí considera el historial del proceso. Esto significa que dichas interacciones entre etapas podrían pasarse por alto en el modelado.
En cambio, cuando existen grandes interacciones entre etapas o un alto impacto del historial del proceso, se observa un impacto considerable en la estimación beta, que se aprecia en la diferencia entre la estimación beta media del modelo completo y la del modelo sin interacciones entre etapas. Esto se compensa parcialmente en el modelo sin interacciones entre etapas mediante variantes de parcelas completas infladas.
Para ofrecer una visión general muy breve, nos gustaría generalizar estos resultados, tal vez cuantificando la magnitud de las interacciones entre etapas en comparación con las interacciones que no se producen entre etapas, para así poder compararlos con los resultados experimentales reales que esperamos obtener en el futuro.
Además, nos gustaría ampliar esta evaluación comparativa a otros enfoques de modelado, como los modelos de regresión por etapas, así como utilizar el Explorador de Datos Funcionales para analizar los datos de iDoE.
Con esto concluye mi presentación. Quiero agradecerles a todos por su atención y, en especial, a Verena y Beate por la supervisión y la orientación brindadas durante mi proyecto de doctorado.
