سود:
- توانایی مدل سازی رابطه بین ویژگی های کیفیت حیاتی (CQA) و پارامترهای فرآیند بحرانی (CPP) و اولویت بندی کیفیت بر کارایی
- امکان ارزیابی علائم ناهنجاری در پایش فرآیند با تصمیم مهندس و مدیریت آلارم های کاذب
- توانایی درک این موضوع که افزایش مقیاس نیاز به تشابه فیزیکی و آزمایش آزمایشی دارد و نه جایگزینی پیشبینی مدل به جای اعتبارسنجی آزمایشی
تولید یک آنزیم، یک آنتی بادی یا یک واکسن در یک لوله آزمایشگاهی یک چیز است، اما افزایش آن به تن تولید یک مهندسی کاملا متفاوت است. پردازش زیستی - فرآیند تولیدی که محصولی را با استفاده از سلولهای زنده یا آنزیمها تولید میکند. تخمیر، کشت سلولی، تصفیه - جایی است که مهندسی زیستی به ارزش اقتصادی تبدیل می شود. این فرآیند یک سیستم پر سر و صدا و پرهزینه است که در آن صدها متغیر (دما، pH، اکسیژن محلول، مشخصات تغذیه، اختلاط) به طور مداوم کنترل می شوند. هوش مصنوعی در نظارت بر دادههای فرآیند، پرچمگذاری ناهنجاریها، پیشبینی بازده و مدلسازی تصمیمهای افزایش مقیاس قدرتمند است. اما شما مهندسی هستید که واقعیت فیزیکی فرآیند، ایمنی و کیفیت محصول را تضمین می کند.
در این واحد، مفاهیم اولیه پردازش زیستی، نقش هوش مصنوعی در نظارت بر فرآیند (نظارت بیدرنگ دادههای فرآیند زنده)، پیشبینی بازده و تصمیمگیریهای افزایش مقیاس، و محدودیتهای کیفیت و مقررات را خواهید آموخت.
CQA و CPP: تعریف کیفیت
پردازش زیستی مدرن توسط طراحی با کیفیت انجام می شود (کیفیت با طراحی - QbD - رویکردی برای طراحی کیفیت از پایه به جای آزمایش آن در پایان فرآیند). دو مفهوم اصلی هستند: ویژگیهای کیفیت حیاتی (CQA - ویژگیهایی که محصول باید حفظ کند تا ایمن و مؤثر باشد؛ خلوص، گلیکوزیلاسیون، فعالیت) و پارامترهای فرآیند بحرانی (CPP - متغیرهای فرآیند قابل تنظیم که بر این ویژگیها تأثیر میگذارند؛ دما، pH، خوراک). هوش مصنوعی میتواند رابطه بین CPP و CQA را از روی دادهها مدلسازی کند ("اگر PH از این محدوده خارج شود گلیسیسیلاسیون مختل میشود"). اما تعریف فضای طراحی این مدل - منطقه پارامتر ایمن که در آن CQA ها تضمین شده است - نیاز به تأیید نظارتی و تأیید آزمایشی دارد.
نکته: هنگامی که هوش مصنوعی یک مدل فرآیند را دارید، از آن بخواهید که "کیفیت محدوده پارامتری تضمین شده است" نه فقط "بهترین بازده". نقطه ای که عملکرد را به حداکثر می رساند ممکن است در مرزی باشد که کیفیت را کاهش می دهد. در پردازش زیستی، کیفیت جلوتر از کارایی است.
تله موذیانه بزرگ شدن
فرآیندی که در آزمایشگاه به خوبی کار می کند ممکن است در مخزن بزرگ فرو بریزد. دلیل: فیزیک با مقیاس تغییر می کند. در یک ظرف کوچک، اکسیژن و مواد مغذی به راحتی به همه جا می رسد. در یک مخزن بزرگ، زمان اختلاط (زمان همگن شدن مایع) افزایش مییابد، انتقال اکسیژن مشکل میشود و نیروهای برشی سلولها را تحت فشار قرار میدهند. هوش مصنوعی میتواند یک مدل پیشبینیکننده از دادههای افزایش مقیاس تاریخی بسازد، اما افزایش مقیاس اغلب بر اساس اصول شباهت فیزیکی (مانند ضریب انتقال اکسیژن ثابت، توان/حجم ثابت) و آزمایشهای آزمایشی است. پیشبینی هوش مصنوعی جایگزین آزمایش در مقیاس آزمایشی نیست.
احتیاط: "مدل کارایی X٪ را در مقیاس تولید پیش بینی می کند" یک وعده نیست. افزایش مقیاس شامل اثرات فیزیکی است که نمی توان آنها را مدل کرد. هر انتقال مقیاس از طریق آزمایشهای آزمایشی تأیید میشود. تصمیم گیری در مورد تولید بر اساس برآورد مقیاس تایید نشده، ریسک های اقتصادی و کیفی را به همراه دارد.
سه کیف کوچک
مورد 1 - ناهنجاری زود تشخیص داده شد. پایش مبتنی بر هوش مصنوعی در یک مرکز تولید آنتیبادی، انحراف از حالت عادی را در پروفایل اکسیژن محلول در یک دسته 2000 لیتری نشان داد. در عرض 6 ساعت، مهندسان یک مشکل فوم/مخلوط پیدا کردند و دسته را ذخیره کردند. اگر انحراف متوجه نشده بود، حدود 400000 دلار محصول گم شده بود. هوش مصنوعی زنگ زد، مهندس تصمیم گرفت و مداخله کرد.
مورد 2 - تله تخمین مقیاس. یک تیم مستقیماً از 50 لیتر به 1000 لیتر با تکیه بر مدلی که بر روی داده های آزمایشگاهی آموزش دیده بود، رسید. انتقال اکسیژن در مخزن بزرگ ناکافی بود، راندمان 35٪ کاهش یافت. مقیاس پایلوت متوسط (200 لیتر) حذف شد. تفاوت فیزیکی که مدل قادر به پیشبینی آن نبود هزینه بر بود. این فرآیند در مرحله آزمایشی دوباره برقرار شد.
مورد 3 - راندمان با کیفیت بالا. در یکی از بهینهسازیها، هوش مصنوعی یک پروفایل تغذیه پیشنهاد کرد که کارایی را تا ۱۲ درصد افزایش داد. اما تجزیه و تحلیل نشان داد که یک ویژگی کیفی (گلیکوزیلاسیون) در این پروفایل خارج از مشخصات بود. تیم مشخصات کم بازده اما با کیفیت بالا را انتخاب کرد. CQA در پردازش زیستی غیرقابل مذاکره است.
چهار قالب قابل کپی
1) تنظیم ناهنجاری نظارت بر فرآیند:
نقش شما: مهندس فرآیندهای زیستی یک رویکرد برای تشخیص ناهنجاری در دادههای سری زمانی (دما، pH، اکسیژن محلول، نرخ خوراک) یک دسته تخمیر پیشنهاد کنید. چگونه می توانم یک خط پایه از دسته های معمولی ایجاد کنم، که انحراف به زنگ هشدار تبدیل می شود؟ چگونه هشدارهای کاذب را کاهش دهم؟
2) تجزیه و تحلیل رابطه CPP-CQA:
من به شما داده های پارامترهای فرآیند (CPP) و اندازه گیری کیفیت محصول (CQA) دسته های گذشته را می دهم. یک رویکرد برای تجزیه و تحلیل CPP ها بر روی CQA ها پیشنهاد دهید. تاکید کنید که همبستگی علیت نیست و به من بگویید چگونه هر رابطه را به صورت تجربی تأیید کنم.
3) چک لیست افزایش مقیاس:
نقش شما: متخصص افزایش مقیاس. من قصد دارم از [X] لیتر به [Y] لیتر تغییر کنم. به من فهرست کنید که کدام پارامترهای فیزیکی باید ثابت نگه داشته شوند (انتقال اکسیژن، توان/حجم، مخلوط)، کدام آزمایشهای آزمایشی ضروری هستند، و در کجا نمیتوان به مدل اعتماد کرد.
4) تعادل کیفیت-بازده:
پیشنهاد من برای بهینهسازی، کارایی را بهبود میبخشد، اما CQA را به حداکثر میرساند. برای من توضیح دهید که چگونه این تعادل را ارزیابی کنم، چرا ماندن در فضای طراحی مهمتر از کارایی است، و چگونه ریسک کیفیت را مستند کنم.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
چگونه می توانم راندمان تخمیر را افزایش دهم؟
بدون زمینه، بدون محدودیت، و بدون هدف کیفیت. پیشنهادات عمومی و غیر قابل اجرا می آیند.
اعلان قدرتمند:
نقش شما: مهندس فرآیندهای زیستی من تولید آنتی بادی مونوکلونال را در کشت سلولی CHO بهینه می کنم. من داده های CPP (دما، pH، تغذیه) و CQA (تیتر، گلیکوزیلاسیون، خلوص) را از 40 دسته گذشته دارم. به من بگویید: (1) چگونه پارامترهایی را تجزیه و تحلیل کنم که می توانند کارایی را بدون نقض CQA افزایش دهند، (2) چگونه مرزهای فضای طراحی را تعیین کنیم، (3) با کدام آزمایش آزمایشی برای تأیید هر پیشنهاد. کیفیت را جلوتر از کارایی نگه دارید.
تفاوت: سیستم، داده ها، اهداف دوگانه (بازده + کیفیت)، فضای طراحی و تأیید.
پارامترهای فرآیند زیستی و نقش هوش مصنوعی
پارامتر/تصمیم
سهم هوش مصنوعی
محدودیت فیزیکی
تایید
نظارت بر فرآیند
علامت ناهنجاری
نویز حسگر
تایید مهندس
پیش بینی بازده
مدل
جلوه های اضافی مدل
مهمانی واقعی
رابطه CPP-CQA
تحلیل همبستگی
علیت ≠ همبستگی
آزمایش DoE
افزایش مقیاس
پیش بینی اولیه
فیزیک مخلوط/اکسیژن
مقیاس آزمایشی
کنترل کیفیت
علامت انحراف
مشخصات
تست تحلیلی
اشتباهات رایج
- کارایی را مقدم بر کیفیت قرار می دهیم. محدودیت های CQA غیر قابل مذاکره هستند.
- از مقیاس پایلوت بگذرید. مدل نمی تواند اثرات مقیاس فیزیکی را پیش بینی کند.
- اشتباه همبستگی برای علیت روابط CPP-CQA باید با DoE تأیید شود.
- استفاده از زنگ هشدار با اعتماد به نفس کور. مهندس علامت ناهنجاری را ارزیابی می کند. هشدارهای کاذب نیز رخ می دهد.
- فراموشی زمینه نظارتی استفاده از مدل در محیط GMP به اعتبارسنجی و مستندسازی نیاز دارد (واحد بعدی).
به طور خلاصه
پردازش زیستی جایی است که مهندسی زیستی به مقیاس و ارزش اقتصادی ترجمه می شود. هوش مصنوعی دادههای فرآیند را نظارت میکند و ناهنجاریها را علامتگذاری میکند، روابط CPP-CQA را مدل میکند و از تصمیمهای افزایش مقیاس پشتیبانی میکند. اما کیفیت (CQA) همیشه بر کارایی برتری دارد، افزایش مقیاس نیاز به تشابه فیزیکی و آزمایش آزمایشی دارد، همبستگی علیت نیست، و هر خروجی هوش مصنوعی با قضاوت مهندس و اعتبار سنجی تجربی تأیید میشود. مدل جایگزین واقعیت فیزیکی تولید نمی شود.
وظیفه کاربردی
یک سناریوی فرآیند زیستی (به عنوان مثال تخمیر E. coli یا کشت سلولی CHO) را انتخاب کنید. از هوش مصنوعی بخواهید یک طرح انتقال مقیاس آزمایشگاهی به پایلوت را با یک الگوی "چک لیست افزایش مقیاس" ترسیم کند. سپس این طرح را به طور انتقادی بخوانید: آیا هوش مصنوعی پارامترهای فیزیکی را به درستی شمارش کرد که ثابت نگه دارد، کدام آزمایشهای آزمایشی را نادیده گرفت؟ همچنین الگوی «تعادل کیفیت-بازده» را امتحان کنید و بنویسید که چگونه میتوانید سناریویی را مستند کنید که کیفیت را کاهش میدهد و در عین حال کارایی را افزایش میدهد.
چک لیست
- [ ] من کیفیت (CQA) را بر کارایی اولویت دادم و مرزهای فضای طراحی را تعریف کردم.
- [ ] من از آزمایشات آزمایشی در افزایش مقیاس صرف نظر نکردم.
- [ ] من روابط CPP-CQA را نه همبستگی، بلکه فرضیه هایی را که باید توسط DoE تأیید شوند، در نظر گرفتم.
- [ ] من آلارم های ناهنجاری را با تصمیم مهندس ارزیابی کردم.
- [ ] من تخمین بازده را به طرح اعتبارسنجی با داده های دسته ای واقعی مرتبط کردم.
- [ ] من الزامات تأیید نظارتی/GMP را رعایت کرده ام.