medigraphic.com
ISSN 1027-2852 (Digital)
ISSN 0864-4551 (Impreso)

2021, Número 1

<< Anterior Siguiente >>

Biotecnol Apl 2021; 38 (1)


Estrategia de verificación continuada del proceso en las primeras etapas de la purificación de un anticuerpo monoclonal mediante la integración del análisis de riesgo y el análisis multivariado de datos

Toledo RA, Gozá LO, Hernández LE, Leonard RI, Hidalgo MG

Idioma: Ingles.
Referencias bibliográficas: 25
Paginas: 1201-1208
Archivo PDF: 724.10 Kb.


RESUMEN

De acuerdo a las expectativas regulatorias actuales, la verificación continuada del proceso (VCP) debe asegurar el monitoreo post-calificación de los parámetros críticos del proceso (PCP). Estos no son fácilmente identificables en los procesos biotecnológicos dadas sus inherentes complejidades. Ante esta problemática, el presente trabajo está dirigido a aportar métodos para la efectiva determinación de estos PCP, proporcionando así las bases necesarias para la elaboración de una sólida estrategia de VCP. Se integró el conocimiento y la experiencia acumulados durante el ciclo de vida de un producto monoclonal ya registrado bajo estándares anteriores. La estrategia se enfocó a las primeras etapas de purificación, cuyos parámetros del proceso definidos para el análisis fueron categorizados mediante una matriz de riesgo de causa-efecto y los niveles de criticidad deducidos utilizando el criterio de Pareto. Seguidamente, se procesaron los datos de tres campañas productivas mediante el método de análisis de componentes principales (ACP) para una caracterización integral de la variabilidad del proceso. También se aplicó los métodos de análisis de clústeres, y de modelación independiente y flexible de analogía de clases (MIFAC) para la diferenciación de modos operacionales entre campañas. Se logró confirmar un grupo de 13 parámetros críticos por su mayor impacto en la variabilidad del proceso, mientras que los cinco parámetros restantes fueron considerados como parámetros operacionales claves (POC). Dicho resultado, logrado sobre bases teóricas, fue corroborado con las incidencias operativas reales del proceso, y contribuyó a la elaboración de un plan de monitoreo bien fundamentado para asegurar la VCP y su ejecución viable.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. FDA Guidance for industry. Process validation: general principles and practice. U.S. Department of Health and Human Services. January 2011.

  2. EMA Guidance. Process validation for the manufacture of biotechnology-derived active substances and data to be provided in regulatory submissions. Committee for Medicinal Products for Human Use. April 2016.

  3. EU Guidelines for GMP. Qualification and validation. EUDRALEX Volume 4. Annex 15. March 2015.

  4. Castillo FC, Cooney B, Levine HL. Biopharmaceutical manufacturing process validation and quality risk management. Pharm Eng. 2016;36(3):82-92.

  5. DiMartino M, Zamamiri A, Pipkins K, Heimbach J, Hamann E, Adhibhatta S, et al. CPV signal responses in the biopharmaceutical industry. Pharm Eng. 2017;37(1):57-64.

  6. Demmon S, Bhargava S, Ciolek D, Haley J, Jaya N, Joubert MK, et al. A cross-industry forum on benchmarking critical quality attribute identification and linkage to process characterization studies. Biologicals. 2020;67:9-20.

  7. Pazhayattil A, Sayeed-Desta N, Ingram M. Lifecycle-based process validation emphasizes the need for continued process verification. Pharm. Tech. 2018 Supplement;(3):s22-5.

  8. Rudge S. Quality risk management. Presentation at Center of Excellence Biopharmaceutical Technology Course Series; 2016 December 12 – 14. New Delhi: Indian Institute of Technology at New Delhi, India; 2016.

  9. Mitchell M. Determining criticalityprocess parameters and quality attributes: criticality as a continuum. In: QbD and PAT in biopharmaceutical development. E-book presented in partnership with BioPharm Int. September 2017. p. 3-12.

  10. Hakemeyer C, McKnight N, St. John R, Meier S, Trexler-Schmidt M, Kelley B, et al. Process characterization and design space definition. Biologicals. 2016;44:306-18.

  11. Bika D, Butterell P, Walsh J, Epp K, Barrick J. Topic 2 – Stage 3 Process validation: applying continued process verification expectations to new and existing products. ISPE Discussion Paper 2012; August 1: p.1-36.

  12. Walker A, Frohlich B, Cox C, O’Neill J, Boyer M, Parag S. Continued process verification of legacy products in the biopharma industry. Pharmaceutical Online. June 29, 2018 [cited 10 May 2020]. Available at: https://www.pharmaceuticalonline. com/doc/continued-process-verificationof- legacy-products-in-the-biopharmaindustry- 0001

  13. Alexandrakis D, Craven S, Zelle S. Multivariate data analysis in biopharmaceutical development. In: QbD and PAT in biopharmaceutical development. E-book presented in partnership with BioPharm Int; September 2017. p.31-40.

  14. Rathore AS, Mittal S, Pathak M, Arora A. Guidance for performing multivariate data analysis of bioprocessing data: pitfalls and recommendations. Biotechnol Prog. 2014;30(4):967-73.

  15. Sokolov M, Ritscher J, McKinnon M, Bielser JM, Brühlmann D, et al. Robust factor selection in early cell culture process development for the production of a biosimilar monoclonal antibody. Biotechnol Prog. 2017;33(1):181-91.

  16. Sokolov M, Morbidelli M, Butté A, Souquet J, Broly H. Sequential multivariate cell culture modeling at multiple scales supports systematic shaping of a monoclonal antibody toward a quality target. Biotechnol J. 2018;13(4):1-10.

  17. O’Kennedy RD. Multivariate analysis of biological additives for growth media and feeds. Bioprocess Int. 2016;14(3):18-29.

  18. Zürcker P, Sokolov M, Brühlmann D, Ducommun R, Stettler M, et al. Cell culture process metabolomics together with multivariate data analysis tools opens new routes for bioprocess development and glycosylation prediction. Biotechnol Prog. 2020; 36(5):e3012.

  19. Bhushan N, Rathore A. Use of multivariate data analysis (MVDA) for generating process understanding from manufacturing data of biotech processes. Proc Indian Natl Sci Acad. 2011;77(2) Suppl:133-42.

  20. Suarez-Zuluaga DA, Borchert D, Driessen NN, Bakker WAM, Thomassen YE. Accelerating bioprocess development by analysis of all available data: A USP case study. Vaccine. 2019;37(47):7081-9.

  21. Rathore AS, Kumar V, Tugcu N, Godavarti R. Evolution of the monoclonal antibody purification platform. BioPharm Int. 2013;26(11):32-7+48.

  22. Dunn KG, editor. Process improvement using data. Release 419-67d8; 2018. p.303-93.

  23. Klyuchko OM. Cluster analysis in biotechnology. Biotechnologia Acta. 2017;10(5):5-18.

  24. Oliveri P. Soft independent modelling of class analogy: exploiting principal components to build efficient class models. NIR news. 2016;27(8):28-9.

  25. Acuna J, Hewitt M, Johnston R, Kirkland D, Shikibu T, Zhang D. Modelling perfusion process in biopharmaceutical production. BioProcess Int. 2011;9(2):52-8.




2020     |     www.medigraphic.com