Bioprozess-Versuchsplanung (DoE)

In diesem Artikel befassen wir uns mit einer Bioprozess-Versuchsplanung oder „DoE“, einer Kerntechnologie für die Organisation der Bioprozessentwicklung. DoE ist wohl eines der wertvollsten Tools in der Prozessentwicklung und bei der Problemlösung in der Fertigung. DoE hat die Art und Weise geprägt, wie wir als Wissenschaftler und Ingenieure über die Durchführung von Experimenten denken. Als Wissenschaftler in der Bioprozessentwicklung haben wir immer nur begrenzte Ressourcen, um Bioprozesse zu untersuchen, zu erforschen oder zu optimieren. DoE ist eines unserer wichtigsten Tools, um unsere Ressourcen am effizientesten zu nutzen. DoE bringt Struktur und Effizienz in die Prozessentwicklung. Dies spart Unternehmen viel Geld. Und interessanterweise hat DoE auch zu großen organisatorischen Veränderungen in Unternehmen geführt, die diese Technologie eingeführt haben.

Lesen Sie hier, wie Biotech-Unternehmen DoE in verschiedenen Phasen des Bioprozess-Lebenszyklus einsetzen. Erfahren Sie, wie DoE organisatorische Veränderungen und ein Überdenken unserer Praktiken in der Bioprozessentwicklung auslöst. Doch die Einführung von DoE ist nicht immer unkompliziert: Seien Sie sich der üblichen Fallstricke bewusst und befolgen Sie die DoE Best Practices für die Bioprozessentwicklung.

Was ist eine Versuchsplanung (DoE)?

Bei der Bioprozessentwicklung dreht sich alles um die Untersuchung, Charakterisierung und Optimierung von Bioprozessen. Die Datenanalyse deckt alle Entwicklungsphasen und Unit Operations ab. Wir müssen herausfinden, wie sich Prozessparameter auf Qualität und Leistung auswirken. Wir wollen optimale Betriebspunkte finden. Aber wie können wir dies am effizientesten tun? Wissenschaftler haben herausgefunden, dass willkürliches Experimentieren nicht der effizienteste Weg ist, um Bioprozesse zu optimieren und zu untersuchen. Stattdessen benötigen wir eine strukturierte und organisierte Methodik, die auf fundierter Statistik basiert. Die Lösung ist die Versuchsplanung oder DoE. Basierend auf einem vordefinierten Ziel verwendet DoE einen statistischen Algorithmus, um die effizientesten Experimente zu entwerfen. Die dahinterstehende Statistik ist seit Jahren gut verstanden und absolut sicher. Zweifellos ist der Einsatz von DoE zur Optimierung, Untersuchung und Charakterisierung eines Bioprozesses wissenschaftlich fundiert und die Methode der Wahl der Regulierungsbehörden in der Biopharma-Branche. Einige wichtige Begriffe, die Sie kennen müssen:

Faktoren. Jene Parameter, die Sie untersuchen möchten. Zum Beispiel Temperatur. pH-Wert. Durchflussraten. Medienzusammensetzungen. Für die biopharmazeutische Prozessentwicklung sind Faktoren oft potenzielle kritische Prozessparameter (pCPPs).

Antworten. Jene Prozessergebnisse, an denen Sie interessiert sind. Zum Beispiel Produktmenge. Glykosylierungsmuster. Qualitätsmerkmale. Raum-Zeit-Ausbeute. Für die biopharmazeutische Prozessentwicklung sind Antworten oft kritische Qualitätsattribute (CQAs). Heute setzen wir DoE in fast jeder Phase des Bioprozess-Lebenszyklus ein.

Bioprozess-Versuchsplanung (DoE) für die Prozessoptimierung

Biotech-Unternehmen fragen sich, ob sie DoE schon früh in der Prozessentwicklung oder erst in späteren Phasen einführen sollen. Unsere Erfahrung ist, dass Ihr Erfolg in der Bioprozessentwicklung schon früh von DoEs profitieren wird. Wählen Sie Screening-Designs, die die Untersuchung vieler Parameter ermöglichen. Achten Sie darauf, Best Practices für Bioprozess-DoEs anzuwenden und lesen Sie hier mehr, da Versuchsplane andernfalls scheitern können und Sie in ressourcenintensive Iterationszyklen geraten.

Bioprozess-Versuchsplanung (DoE) für die Prozessoptimierung

Ganz klar, die Optimierung ist die Spezialdisziplin von DoE. Ihr Ziel ist eindeutig: Optimierung. Sie wählen Ihre Faktoren und Bereiche aus, entscheiden sich für eine Response-Surface-Modellierung und finden Ihre Prozessoptima. Einfach, oder? Vorsicht: Es gibt Fallstricke bei DoE für die Prozessoptimierung. Wie lassen sich Edge-of-Failure-Ereignisse in DoEs verhindern und handhaben? Welches Design ist für meinen Zweck am effizientesten? Berücksichtige ich die Varianz in meinen Antworten angemessen? Achten Sie darauf, Best Practices für Bioprozess-DoEs anzuwenden und lesen Sie hier mehr, da Versuchsplane andernfalls scheitern können und Sie in ressourcenintensive Iterationszyklen geraten.

Bioprozess-Versuchsplanung (DoE) für Prozesscharakterisierungsstudien

Wohl die wichtigste Anwendung von DoE. Wohl die anspruchsvollste. Prozesscharakterisierung, Teil der Stufe 1 der Prozessvalidierung. Eine unverzichtbare Übung, um Ihr biopharmazeutisches Produkt auf den Markt zu bringen. Sie führen DoEs für fast jede Unit Operation durch. Sie tun dies, um normale Betriebsbereiche (NOR) und nachgewiesene akzeptable Bereiche (PARs) zu berechnen. Ihre NORs und PARs fließen direkt in die Chargendokumentation für Ihre zukünftige Fertigung ein. Die Art und Weise, wie Sie Ihre Prozesscharakterisierungen und die Berechnung von NORs und PARs durchführen, hat direkten Einfluss auf die Anzahl der Out-of-Spec-Ereignisse und Abweichungen in der zukünftigen kommerziellen Fertigung. Es steht viel auf dem Spiel!

Stellen Sie sicher, dass Sie nur mit guten und gut qualifizierten Scale-Down-Modellen beginnen. Lesen Sie hier mehr über die Qualifizierung von Scale-Down-Modellen.

ie führen DoEs nicht zur Optimierung durch; Sie führen DoEs durch, um Ihre Bioprozesse zu charakterisieren. Stellen Sie sicher, dass Sie geeignete Designs verwenden. Lesen Sie hier mehr über Best Practices für Bioprozess-DoEs.

Sie möchten beweisen, dass ein Parameter keine Auswirkung hat; Sie möchten seine Kritikalität bewerten. Daher ist Ihr Datenanalyseverfahren bei DoEs ein anderes.

Lesen Sie hier mehr über Kritikalitätsanalysen in einem aktuellen Artikel von Körber und Boehringer Ingelheim.

Versuchsplanung (DoE) erstellt strukturierte experimentelle Daten und ebnet den Weg für Digital Twins

Digital Twins sind „digitale Abbilder von physischen Vermögenswerten (physischer Zwilling), Prozessen und Systemen, die für verschiedene Zwecke verwendet werden können.[1]“ Vor Kurzem haben Digital Twins auch Einzug in das Bioprocessing gehalten. Die Grundlage für die Erstellung Digital Twins Ihrer Bioprozesse sind gute experimentelle Daten (aus der Prozessentwicklung) und eine Handvoll Fertigungsdurchläufe.

Bioprozess-Versuchsplanung, Checkliste

DoE ist einfach, oder? Sie wählen Ihr Ziel. Sie wählen Ihre Faktoren und Bereiche aus und entscheiden sich für ein gutes Design. Einfach, oder? Passen Sie auf! Es gibt Fallstricke. Wie lassen sich Edge-of-Failure-Ereignisse in DoEs verhindern und handhaben? Welches Design ist für meinen Zweck am effizientesten? Berücksichtige ich die Varianz in meinen Antworten angemessen? Achten Sie darauf, Best Practices für Bioprozess-DoEs anzuwenden und lesen Sie hier mehr. Um Ihnen zu helfen, ist hier unsere Checkliste:

Was möchten Sie lernen?

• Wollen wir nur die Haupteffekte erkennen (falls vorhanden)?
• Wollen wir auch Interaktions- und quadratische Effekte kennen?
• Wollen wir ein Design erhalten, das die minimale Varianz in unseren Effektschätzungen aufweist? (sogenannte D-Optimalität)
• Wollen wir ein Design mit minimalem Aliasing von interessanten Modelltermen und anderen potenziell auftretenden Termen erhalten? (sogenannte A-Optimalität)

Was ist das Ziel Ihrer Studie?

• Effekte verstehen? Solche, die CQAs in einem Maße beeinflussen könnten, das für den Patienten schädlich ist (kritischen Effekt abmildern). NOR festlegen.
• Prozessentwicklung: Optimierung einer Antwort (math. Reduzierung der Varianz aller Effekte „D-Optimalität“).

Welche Ressourcen kann ich der Studie zuweisen?

• Wie viele Experimente können Sie durchführen?
• Zeitrahmen?
• Wie hoch ist Ihre Rate an fehlgeschlagenen Experimenten?
• Glauben Sie, dass Sie Experimente wiederholen müssen?

Antworten, die Sie untersuchen möchten?

• Welche Antworten möchten Sie untersuchen? (normalerweise bekannt)
• Wie hoch ist die erwartete Varianz in den Antworten?

Wissen Sie alles, was Sie über die zu untersuchenden Prozessparameter wissen müssen?

• Welche Prozessparameter möchten Sie untersuchen?
• Haben Sie eine Risikobewertung durchgeführt, um diese zu identifizieren?
• Können Sie alle zu untersuchenden Parameter unabhängig voneinander steuern?
• Stoßen Sie auf schwer veränderbare Faktoren?

Bereiche der Prozessparameter?

• Wie haben Sie die vorgeschlagenen Prozessparameterbereiche für die Untersuchung definiert?
• Haben Sie den untersuchten Bereich in Ihrer Risikobewertung berücksichtigt?
• Wissen Sie von einem „Edge of Failure“ bei bestimmten Prozessparameterbedingungen?

Vorwissen:

• Können Sie bestimmte Effekte (Interaktion oder quadratisch) ausschließen?
• Sind Vorabdaten aus der Entwicklung oder einem ähnlichen/Plattformprozess verfügbar?

Design auswählen

Je nach Anwendung können unterschiedliche Designs gewählt werden. Designs lassen sich in die folgenden allgemeinen technischen Problemstellungen unterteilen:

• Screening: Den Prozess verstehen und untersuchte Faktoren von wichtig bis unwichtig einstufen. Im Hinblick auf die Prozessvalidierung kann dies für die Kritikalitätsbewertung und die Klassifizierung von Prozessparametern in kritische und nicht kritische Prozessparameter angewendet werden.
• Modellierung: Erhalt eines hochpräzisen Vorhersagemodells (Modell mit dem geringsten Vorhersagefehler). In der Regel erfordern diese Designs mehr Experimente als Screening-Designs.
• Optimierung: Identifizierung optimaler Bedingungen für den Prozessbetrieb.

Screening-Designs sind in der Regel Standarddesigns (vollfaktoriell, teilfaktoriell, Box-Behnken, Definitive Screening Designs). Diese Designs haben Grenzen und sind für eine bestimmte Anzahl von Experimenten manchmal nicht optimal. In diesem Fall können auch optimale Designs (z. B. D-optimal) gewählt werden.

Design-Bewertung

Um die Qualität von Designs zu bewerten, prüfen Sie Folgendes:

• Cofounding durch Korrelations- und Alias-Analyse.
• Nutzen.
• A-priori-Power.
• Anzahl der Experimente.

Cofounding prüfen durch:

• Prüfen Sie die Korrelation der Faktoren mit ihren Interaktions- und quadratischen Termen. Verwenden Sie für diese Analyse die Korrelationsmatrix.
• Überprüfen Sie die Alias-Struktur des Modells. Effekte, die nicht modelliert werden können, aber möglicherweise existieren (z. B. Zwei-Faktor-Interaktion, quartische Effekte oder sogar Drei-Faktor-Interaktion), könnten die Schätzung der modellierbaren Faktoren (z. B. Haupteffekte) verzerrten. Dies kann mithilfe der Alias-Matrix untersucht werden. Idealerweise enthält die Alias-Matrix nur Einträge mit „0“.

Experimente durchführen

Berücksichtigen Sie bei der Durchführung der Experimente folgende Punkte:

• Randomisierung.
• Erfassen Sie tatsächliche Faktorwerte, nicht nur Designwerte.

DoE Analysis

Eine Analyse der durchgeführten Experimente ist erforderlich, um kritische und nicht kritische Prozessparameter zu identifizieren.

Analyse statistisch wirksamer Faktoren

Eine Variablenselektion wird durchgeführt, um Variablen zu identifizieren, die die Antwort signifikant beeinflussen (d. h. für diese Faktoren kann die Nullhypothese, dass ihr Effekt gleich 0 ist, verworfen werden). In der Regel verwendet die schrittweise Variablenselektion Vorwärts- und Rückwärtselimination sowie Techniken zur Auswahl aller Teilmengen, bei denen Modelle aller möglichen Variablenkombinationen analysiert werden. Die Kriterien für die Auswahl von Modellen müssen einen Kompromiss zwischen Modellgüte (normalerweise R²) und Modellkomplexität berücksichtigen. Nach der Identifizierung eines statistisch „optimalen“ Modells muss dessen praktische Bedeutung von Prozessexperten hinterfragt werden. Variablen, die in einem statistisch und praktisch relevanten Modell enthalten sind, können anhand ihrer Effektgröße (z. B. >20 % des tolerierbaren Gesamteffekts) in kritische und nicht kritische Parameter klassifiziert werden.

Analyse potenziell übersehener Faktoren

Eine retrospektive Power-Analyse kann durchgeführt werden, um festzustellen, ob ein kritischer Effekt übersehen wurde. Falls für einen Parameter niedrige Power-Werte ermittelt wurden (d. h. ein kritischer Effekt dieses Parameters wurde wahrscheinlich übersehen), können zusätzliche Experimente vorgeschlagen oder angepasst werden.