Die hohe Geschwindigkeit der biopharmazeutischen Industrie stellt ihre F&E-Teams vor die Herausforderung, Prozesse zu entwickeln und Produkte in kürzerer Zeit auf den Markt zu bringen. Um dieses Ziel zu erreichen, setzen wir in der Prozessentwicklungsphase auf Hochdurchsatz-Systeme (HT-Systeme). HT-Systeme wie ambr250 in der Upstream-Entwicklung und Robocolumns in der Downstream-Entwicklung gehören zum Standardrepertoire.
Bei der Entwicklung von Upstream-Prozessen sind die Auswahl von Klonen und die Festlegung der Sollwerte für Prozessparameter entscheidende Schritte für einen schnellen Übergang in die klinische Phase. Verschiedene Prozessparameter (Temperatur, Biomasse, Perfusionsrate und Produktionsmedium) beeinflussen die Qualität des Wirkstoffs maßgeblich. Traditionelle Versuchsplanungsansätze erforderten eine große Anzahl von Experimenten. Um dies zu optimieren, implementierten wir ein D-optimales faktorielles Design mit zwei Ambrs.
In dieser Präsentation beschreiben wir, wie ein effektives Design mit hoher Vorhersagekraft entwickelt werden kann. Wir definieren eine Matrix von Leistungskennzahlen (KPIs), indem wir Vorwissen nutzen und die Fähigkeit zur Entfernung von Verunreinigungen im nachgelagerten Prozess bewerten. Mithilfe dieser KPI-Matrix können wir den leistungsstärksten Klon sowie die Prozessbedingungen für einen stabilen Perfusionsprozess dieses Klons auswählen. Diese Methodik ermöglichte die Entwicklung eines statistischen Modells, das über drei Skalen validiert wurde und alle Effekte der Prozessparameter, deren Wechselwirkungen und quadratische Effekte auf die KPIs korreliert. Die Ergebnisse dieser Arbeit reduzieren die Anzahl der Experimente in der vorgelagerten Prozessentwicklung signifikant und bieten gleichzeitig ein wertvolles Werkzeug für Scale-up-Vorhersagen bei Abweichungen sowie zur Vorverlagerung der Prozesscharakterisierung.
