Харви Брантон, старший консультант по трансляции в Cell и генной терапии CDMO Pharma Exmoor, разделяет бесценную информацию о раннем разработке процессов, исследуя общие неправильные представления, которые могут повлиять на долгосрочный производственный успех для разработчиков ATMP.
Недавние научные достижения способствуют увеличению числа передовых терапевтических медицинских продуктов (ATMP), и хранение затрат под контролем имеет важное значение для поддержки демократизации этих изменяющих жизнь терапии. Традиционно биопроизводство опирается на оптимизацию процессов и масштабирование для снижения затрат. К сожалению, эти подходы не приводят к аутологичной терапии, когда каждая партия персонализирована и сделана из собственных клеток пациента. Понимание того, как адаптироваться к проблемам производства тысяч партий в год имеет решающее значение для поддержки будущей коммерциализации.
Процессы, предназначенные для облегчения параллельного производства, будут максимизировать пакетную пропускную способность и поддерживать эффективное использование производственных ресурсов, что помогает снизить отдельные затраты на партию. Надежные процессы всегда будут краеугольным камнем любого биопроцесса, обеспечивая постоянную производительность. Но некоторые в пространстве аутологичной клеточной терапии сосредоточены на урожайности в качестве ключевого драйвера стоимости, что может оказать меньшее влияние на стоимость, чем общий дизайн процесса. Разработчики часто предполагают, что будет простым увеличить количество изготовленных партий, но возникают проблемы, если они не смогут продумать значительное влияние выбора раннего процесса на эксплуатационную эффективность, особенно там, где требуется параллельная обработка.
Раннее рассмотрение коммерческой производственной стратегии обеспечит, чтобы первоначальные процессные решения не повлияли на будущий потенциал коммерциализации спасительной терапии. Необходимо рассмотреть две ключевые области: как этот процесс может быть разработан для облегчения эффективного производства, и как могут быть использованы инновационные технологии, такие как машинное обучение (ML)/AI и автоматизация, чтобы уменьшить потребности в труде и упростить производственный подход.
Процесс дизайн
Приводящиеся в результате значительного количества партий, необходимых для коммерческого продукта, процессы должны быть разработаны для обеспечения параллельного производства, помогая разбавить производственные затраты посредством эффективного планирования партии. Следует отметить, что объекты, постоянно работающие в три раза превышают возможности, используемого в течение 8 часов в день. Ночные сдвиги часто используются для мониторинга, подготовки и создания деятельности, но этот подход недооценивает потенциальные производственные мощности, особенно в тех случаях, когда в экономике всей производственной операции преобладают амортизация капитальных затрат на объект и другие накладные расходы.
Подробный график производства может улучшить пропускную способность, в идеале идентичный каждый день. Это может уменьшить необходимость в сложной передаче между сдвигами и ограничить риск ошибок, но это может быть невозможным, если исходные материалы (такие как свежий аферез) недоступны. Важно отметить, что временные времена должны быть последовательными, избегая необходимости перенести. Это гарантирует, что персонал Shift точно знает, что нужно доставлять каждый день, и лечение пациентов всегда доступно против согласованных сроков.
Процессы должны быть разработаны, чтобы дополнить структуру сдвига, максимизируя значение дополнительной емкости. Они построены вокруг различных операций модулей, предназначенных для завершения в рамках рабочей смены, отрицая требование, чтобы передать частично завершенные операции в следующую смену. Оптимальное планирование всегда будет уникальным для каждого продукта. Но общие подходы — такие как начальные партии в течение дня и отделка партий в течение ночи, поэтому они готовы к обзору на следующее утро — могут помочь производству подходов чувствовать себя «аналогичным».
Автоматизация, ML/AI и данные
Переход к производству тысяч партий тех же продуктов будет генерировать большие наборы данных, открывая возможность использовать ML для поддержки более динамических подходов к мониторингу и управлению. Процессы клеточной терапии часто работают в течение 10-15 дней, с интенсивной активностью, необходимой в первом и последнем дне процесса, но большую часть времени используется для объемных клеток после выбора и перепрограммирования.
Большое количество идентичных партий, которые будут изготовлены, приведет к движению рутинной автоматизации. Компании предлагают готовые, масштабируемые решения CGMP, которые помогают сделать автоматизацию легко достижимой и экономически эффективной. Неизменно, автоматизация поставляется с компромиссами, так как наиболее эффективная стратегия автоматизации не может легко соответствовать более ручным подходам, используемым на начальных этапах разработки процесса. Стратегия автоматизации и партнерские отношения должны рассматриваться в начале процесса проектирования, чтобы избежать дорогостоящего влияния необходимости более поздней адаптации проекта процесса в соответствии с автоматическими производственными подходами.
Модели ИИ могут быть использованы для автоматического мониторинга партий во время выращивания и принятия решений о том, как адаптировать стратегию управления для достижения определенных результатов. Контроль на основе моделей может предсказать будущие результаты процесса на основе исторических данных, а затем принимать обоснованные решения о том, как наилучшим образом адаптировать управление процессом, чтобы максимизировать производительность. Трудно ускорить процесс на основе ячейки, но в принципе процессы могут быть запущены в неоптимальных условиях, чтобы замедлить их, а затем ускорить их, если это необходимо.
Этот подход позволил бы фиксировать время процесса и поддерживать эффективное планирование партии. Такие подходы уже используются в секторе здравоохранения для мониторинга статуса пациента, используя платформу, которая объединяет датчики и алгоритмы на основе искусственного интеллекта, чтобы помочь информировать клинические решения.
Другая область, где ИИ обеспечивает изменения в игре, заключается в анализе изображений. Сложные модели могут оценивать изображения и быстро предоставлять точную информацию о росте и морфологии клеток, которые можно использовать для поддержки стратегий передового управления.
Сгенерированные данные — и понимание процесса, спрятанные внутри — имеют значительную дополнительную стоимость. Определение того, кто владеет данными, будет важно, особенно в тех случаях, когда все стратегии процесса, автоматизации и управления предоставляются разными сторонами.
Огромные объемы данных и вычислительная мощность, необходимая для обновления моделей и предоставления их доступными на нескольких производственных площадках, увеличат использование облачных решений. Поставщики должны будут ускорить требование, чтобы четко определить права на владение данными. Использование фреймворков права на доверие для создания доверия данных поможет со сложным управлением, условным согласием и управлением, помогая прояснить позиции IP и открыть новые потоки стоимости. Компании должны знать об этих проблемах, но вполне вероятно, что готовые решения будут доступны в ближайшее время.
Заключение
Успешная коммерциализация клеточной терапии не является простой, и по мере того, как число методов лечения возрастает, давление на стоимость увеличится. Технология производства развивается быстро, но рано внедрение инновационных технологий может быть рискованным. Ранний выбор процессов оказывает значительное влияние на долгосрочную стоимость производства и, следовательно, необходимо тщательно рассмотреть. Для достижения успешных проектов потребуется различные наборы навыков, охватывающих качество, технические, инженерные, автоматические вычисления и юридические препараты.
Стоит подчеркнуть, что моделирование стоимости товара является бесценным руководством, которое можно использовать для поддержки планирования процессов и принятия решений путем оценки влияния раннего выбора. Запуск различных сценариев в модели является экономически эффективным подходом для количественной оценки влияния различных вариантов, предоставляя маршрут, управляемый данными для поддержки проектирования и принятия решений целого процесса, и помогать собрать многодисциплинарные команды, необходимые для обеспечения успешного проекта.
:max_bytes(150000):strip_icc()/deutz2-9ec8545d7e4d4184967782aceab08859.jpg)
