การวิเคราะห์ข้อมูลเพื่อเพิ่มประสิทธิภาพการผลิตแอนติบอดีโมโนโคลนัลในกระบวนการเพาะเลี้ยงเซลล์เชิงพาณิชย์
การวิเคราะห์ข้อมูลเพื่อเพิ่มประสิทธิภาพการผลิตแอนติบอดีโมโนโคลนัลในกระบวนการเพาะเลี้ยงเซลล์เชิงพาณิชย์
แอนติบอดีโมโนโคลนัล (mAb) ได้รับความนิยมมากขึ้นในฐานะชีวเภสัชภัณฑ์ที่มีการใช้งานหลากหลาย ตั้งแต่งานวิจัยขั้นพื้นฐานไปจนถึงการรักษาโรคต่างๆ เช่น โรคมะเร็ง โรคแพ้ภูมิตัวเอง และโรคติดเชื้อ เนื่องจากความต้องการ mAb ที่เพิ่มสูงขึ้น จึงมีความจำเป็นอย่างยิ่งที่จะต้องปรับปรุงกระบวนการผลิตให้เหมาะสมเพื่อตอบสนองความต้องการของตลาดและลดต้นทุน
กระบวนการเพาะเลี้ยงเซลล์ขนาดใหญ่เป็นขั้นตอนสำคัญในการผลิต mAb โดยมีเป้าหมายเพื่อสร้างสภาพแวดล้อมที่เหมาะสมสำหรับการเจริญเติบโตของเซลล์และการผลิตแอนติบอดี อย่างไรก็ตาม กระบวนการที่ซับซ้อนนี้อาจประสบกับความผันแปรที่อาจนำไปสู่การลดลงของผลผลิต mAb ซึ่งส่งผลต่อประสิทธิภาพและความสามารถในการทำกำไร
บทความวิจัย "A Data-Driven Approach for Leveraging Inline and Offline Data to Determine the Causes of Monoclonal Antibody Productivity Reduction in the Commercial-Scale Cell Culture Process" ตีพิมพ์ในวารสาร Pharmaceutics, Vol. 16, Pages 1082 ได้นำเสนอแนวทางที่ขับเคลื่อนด้วยข้อมูลโดยใช้ประโยชน์จากข้อมูลทั้งแบบออนไลน์และออฟไลน์เพื่อระบุสาเหตุของการลดลงของผลผลิต mAb ในกระบวนการเพาะเลี้ยงเซลล์เชิงพาณิชย์
ข้อมูลออนไลน์และออฟไลน์: มุมมองแบบองค์รวมของกระบวนการเพาะเลี้ยงเซลล์
ข้อมูลออนไลน์หมายถึงข้อมูลที่รวบรวมแบบเรียลไทม์ในระหว่างกระบวนการเพาะเลี้ยงเซลล์ โดยใช้เซ็นเซอร์และเครื่องมือวิเคราะห์ในกระบวนการ (PAT) ข้อมูลประเภทนี้ให้ข้อมูลเชิงลึกเกี่ยวกับพารามิเตอร์ของกระบวนการที่สำคัญ เช่น อุณหภูมิ pH ระดับสารอาหาร และความเข้มข้นของออกซิเจนละลายน้ำ
ในทางกลับกัน ข้อมูลออฟไลน์จะถูกรวบรวมเป็นระยะๆ ผ่านเทคนิคการวิเคราะห์ในห้องปฏิบัติการ ซึ่งเกี่ยวข้องกับการสุ่มตัวอย่างและวิเคราะห์ตัวอย่างจากกระบวนการเพาะเลี้ยงเซลล์ ข้อมูลออฟไลน์ประกอบด้วยข้อมูลเกี่ยวกับองค์ประกอบของเซลล์ ความเข้มข้นของสารเมตาโบไลต์ และลักษณะของผลิตภัณฑ์ เช่น ไตเตอร์ mAb และการกระจายขนาดโมเลกุล
การบูรณาการข้อมูลออนไลน์และออฟไลน์ให้มุมมองแบบองค์รวมของกระบวนการเพาะเลี้ยงเซลล์ ช่วยให้สามารถตรวจสอบกระบวนการที่ครอบคลุม การระบุความสัมพันธ์ที่ซับซ้อน และการทำความเข้าใจปัจจัยที่มีอิทธิพลต่อผลผลิต mAb ได้ดียิ่งขึ้น
การวิเคราะห์ข้อมูล: การเปิดเผยความลับของผลผลิต mAb
เมื่อรวบรวมข้อมูลออนไลน์และออฟไลน์แล้ว ก็สามารถนำมาใช้ในการวิเคราะห์ข้อมูลเพื่อระบุสาเหตุของการลดลงของผลผลิต mAb บทความนี้เน้นเทคนิคการวิเคราะห์ข้อมูลต่างๆ ที่สามารถนำมาใช้เพื่อจุดประสงค์นี้:
- การวิเคราะห์องค์ประกอบหลัก (PCA): PCA เป็นเทคนิคการลดขนาดที่ใช้เพื่อลดมิติของชุดข้อมูลในขณะที่ยังคงความแปรปรวนให้ได้มากที่สุด ในบริบทของการเพาะเลี้ยงเซลล์ PCA สามารถใช้เพื่อระบุตัวแปรของกระบวนการที่สำคัญที่สุดที่ส่งผลต่อผลผลิต mAb
- การวิเคราะห์ความสัมพันธ์: การวิเคราะห์ความสัมพันธ์จะกำหนดความแข็งแกร่งและทิศทางของความสัมพันธ์ระหว่างตัวแปรสองตัวขึ้นไป ในการเพาะเลี้ยงเซลล์ สามารถใช้เพื่อสำรวจความสัมพันธ์ระหว่างพารามิเตอร์ของกระบวนการ (เช่น อุณหภูมิ pH) กับผลผลิต mAb ตัวอย่างเช่น หากพบความสัมพันธ์เชิงลบอย่างมากระหว่างอุณหภูมิกับผลผลิต mAb แสดงว่าอุณหภูมิที่เพิ่มขึ้นอาจนำไปสู่การลดลงของการผลิตแอนติบอดี
- แบบจำลองการเรียนรู้ของเครื่อง (ML): อัลกอริทึม ML สามารถใช้สร้างแบบจำลองการทำนายที่สามารถทำนายผลผลิต mAb ตามพารามิเตอร์ของกระบวนการ แบบจำลองเหล่านี้สามารถช่วยระบุปัจจัยที่สำคัญที่สุดที่มีอิทธิพลต่อผลผลิต mAb และเพิ่มประสิทธิภาพสภาวะของกระบวนการเพื่อเพิ่มผลผลิตสูงสุด ตัวอย่างของอัลกอริทึม ML ที่ใช้ในการเพาะเลี้ยงเซลล์ ได้แก่ การถดถอยเชิงเส้น ต้นไม้การตัดสินใจ และโครงข่ายประสาทเทียม
กรณีศึกษา: การปรับปรุงผลผลิต mAb ในโลกแห่งความเป็นจริง
บทความนี้แสดงให้เห็นถึงการประยุกต์ใช้แนวทางที่ขับเคลื่อนด้วยข้อมูลโดยใช้กรณีศึกษาจากกระบวนการเพาะเลี้ยงเซลล์เชิงพาณิชย์ ผู้เขียนรวบรวมข้อมูลออนไลน์และออฟไลน์ในช่วงระยะเวลาหนึ่งและวิเคราะห์โดยใช้เทคนิคที่อธิบายไว้ข้างต้น
จากการวิเคราะห์ พวกเขาระบุตัวแปรของกระบวนการที่สำคัญหลายอย่างที่มีผลต่อผลผลิต mAb รวมถึงความเข้มข้นของกลูโคส ความเข้มข้นของแลคเตท และอัตราส่วนของเซลล์ที่ทำงานได้ต่อเซลล์ที่ตายแล้ว
เมื่อทราบถึงปัจจัยสำคัญเหล่านี้ ผู้เขียนจึงสามารถปรับสภาวะของกระบวนการให้เหมาะสมได้ เช่น การปรับโปรไฟล์การป้อนอาหารกลูโคสและการปรับปรุงกลยุทธ์การควบคุม pH การปรับเปลี่ยนเหล่านี้นำไปสู่การเพิ่มขึ้นอย่างมีนัยสำคัญของผลผลิต mAb แสดงให้เห็นถึงศักยภาพของแนวทางที่ขับเคลื่อนด้วยข้อมูลในการปรับปรุงกระบวนการเพาะเลี้ยงเซลล์
ข้อสรุป: ยอมรับอนาคตของการผลิต mAb ที่ขับเคลื่อนด้วยข้อมูล
การเพิ่มขึ้นของข้อมูลขนาดใหญ่และการวิเคราะห์ข้อมูลได้ปฏิวัติอุตสาหกรรมต่างๆ และชีวเภสัชภัณฑ์ก็ไม่มีข้อยกเว้น แนวทางที่ขับเคลื่อนด้วยข้อมูลดังที่ไฮไลท์ในบทความนี้มีศักยภาพมหาศาลในการเพิ่มประสิทธิภาพกระบวนการเพาะเลี้ยงเซลล์ ลดต้นทุน และปรับปรุงผลผลิต mAb
ในขณะที่เรายังคงสร้างข้อมูลจำนวนมหาศาลจากแหล่งต่างๆ เช่น เซ็นเซอร์ ข้อมูลของกระบวนการ และการวิเคราะห์ในห้องปฏิบัติการ จึงเป็นสิ่งสำคัญสำหรับบริษัทชีวเภสัชภัณฑ์ที่จะต้องใช้ประโยชน์จากพลังของการวิเคราะห์ข้อมูล การใช้ประโยชน์จากเทคนิคการวิเคราะห์ข้อมูลขั้นสูงสามารถช่วยระบุและแก้ไขสาเหตุของการลดลงของผลผลิต mAb เพิ่มประสิทธิภาพสภาวะของกระบวนการ และเร่งการพัฒนาและผลิต mAb
ในอนาคต เราคาดหวังว่าจะเห็นการนำแนวทางที่ขับเคลื่อนด้วยข้อมูลไปใช้มากขึ้นในอุตสาหกรรมชีวเภสัชภัณฑ์ ซึ่งนำไปสู่กระบวนการผลิตที่มีประสิทธิภาพ คุ้มค่า และมีประสิทธิภาพมากขึ้นสำหรับ mAb และชีวเภสัชภัณฑ์อื่นๆ
อ้างอิง:
K. Chattopadhyay et al., “A Data-Driven Approach for Leveraging Inline and Offline Data to Determine the Causes of Monoclonal Antibody Productivity Reduction in the Commercial-Scale Cell Culture Process.” Pharmaceutics 16, no. 7 (2024): 1082. https://doi.org/10.3390/pharmaceutics16071082
#biopharmaceutical #monoclonalantibody #cellline #pharmaceutics