Wie man die Effizienz bei der Entwicklung von Bioprozessen erhöht: Die Möglichkeiten der hybriden Modellierung und Prozessintensivierung

In einer Welt, in der sich die Landschaft der Bioprozessentwicklung ständig verändert, ist eine schnellere Prozessentwicklung bei gleichbleibender Produktqualität und Prozesseffizienz das Gebot der Stunde. Dies hilft nicht nur den Herstellern, ihre Herstellungskosten zu senken, sondern auch den Patienten die Medikamente schneller zur Verfügung zu stellen, was für beide Seiten eine Win-Win-Situation darstellt. 

Die steigende Nachfrage nach lebensrettenden Medikamenten auf dem Markt hat dazu geführt, dass modernste Werkzeuge und Techniken eingesetzt werden. Eine Lösung zur Bewältigung dieser komplexen Situation ist der Einsatz innovativer Methoden. In diesem Artikel werden wir eine dieser Methoden, die dynamische Modellierung, als Mittel zur Reduzierung von Experimenten und damit zur Beschleunigung der Prozessentwicklung vorstellen.

Nutzen Sie alle Daten!

Die meisten Prozessschritte, die ausgeführt werden, haben ein zeitdynamisches Verhalten. Siehe Abbildung 1A als Beispiel für eine Batch-Fermentation oder Abbildung 1B, ein präparatives Chromatogramm. Endgültige Merkmale, wie die Endproduktmenge der Fermentation oder die Poolkonzentration von Verunreinigungen des Chromatographieschritts, sind ein Ergebnis der zeitlichen Entwicklung. Wir können Daten, die im Laufe der Zeit aufgezeichnet wurden, nutzen, um Trends zu erkennen und die endgültigen Merkmale zusätzlich zur Messung vorherzusagen. Diese Vorhersage, gekoppelt mit einem Filter, z. B. einem Kalman-Filter, erhöht die Genauigkeit der endgültigen Merkmale und steigert somit die statistische Aussagekraft zur Erkennung kritischer Effekte oder reduziert umgekehrt die Anzahl der Experimente zur Erkennung solcher kritischen Effekte. Damit haben wir einen ersten Grund identifiziert, warum die dynamische Modellierung die Zahl der Experimente verringern und die Prozessentwicklung beschleunigen kann.

Dynamische und hybride Modellierung als Zugpferd

Wie der Name schon vermuten lässt, ist die hybride Modellierung eine Kombination aus mechanistischen und datengesteuerten Modellen und ist flexibler beim Lernen mechanistischer Zusammenhänge aus Daten. Mechanistische Modelle, die auch als "White-Box-Modelle" bezeichnet werden, beruhen auf physikalischen Grundgesetzen und können die zugrunde liegenden biologischen und chemischen Phänomene erklären. In der Regel basiert keines der in der biopharmazeutischen Produktion verwendeten Modelle ausschließlich auf physikalischen Grundgesetzen, da Reaktions- und Bindungsmechanismen nicht a priori bekannt sind. Alle diese so genannten "mechanistischen Modelle" basieren auf empirischen Gleichungen, wie der Monod-Kinetik, um den Reaktionsmechanismus zu bewerten. Datengesteuerte Modelle basieren auf den verfügbaren, experimentellen Daten, die aus dem Prozess gewonnen werden. 

Ein typischer hybrider Modell-Workflow besteht aus zwei Komponenten:

1. Schätzung der spezifischen Reaktionsraten anhand empirischer Informationen, d. h. datengesteuerter Ansatz 
2. Diese geschätzten Werte werden in die mechanistischen Modelle zur weiteren Analyse/Verarbeitung eingespeist, wie in Abbildung 2 dargestellt. 

Hybride Modelle ermöglichen somit die kombinatorische Wirkung von mechanistischen und Black-Box-Modellen, um einen besseren Einblick in den Gesamtprozess zu erhalten, was zu robusten und hochgradig prädiktiven Modellen führt.

Prozess-Intensivierung

Alle unsere Systeme bestehen aus zwei Arten von Variablen 

• Prozessparameter, die im Laufe der Zeit steuerbar sind (z. B. Temperatur, Zufuhr, Elutionsgradient usw.) 
• Zustände: alles, was sich aus den Auswirkungen der Prozessparameter ergibt (VCD, Lebensfähigkeit, Titer, Metaboliten, Elutionsprofil von Verunreinigungen usw.)

Ausgehend von den Ausgangsbedingungen (z. B. anfängliche VCD, Metaboliten usw.) und den kontrollierbaren Prozessparametern im Zeitverlauf können wir die Zustände vorhersagen. 

Wenn wir die Prozessparameter im Laufe der Zeit variieren wollen, z. B. die Zufuhrprofile, müssen wir Phasen in die klassische lineare Regression einführen (z. B. Design of Experiments (DoE). Dies wird auch als Entfaltung einer Zeitreihe bezeichnet, wie in Abbildung 4 dargestellt. Im klassischen DoE-Design benötigen wir einen Lauf mehr als Effekte im Modell. Wenn wir also die Auswirkungen aller Phasen in das Modell einbeziehen wollen, benötigen wir mindestens n+1 Durchläufe, wobei n die Anzahl der Phasen ist. Wenn wir von der Unabhängigkeit der Phasen ausgehen, d. h. kein Memory-Effekt von einer Phase zur anderen, der sich auf die mechanistische Beziehung der nächsten Phase auswirkt, benötigen wir nur einen Durchlauf zur Kalibrierung eines dynamischen Modells.