Cinque strumenti per ottimizzare la produzione dei bioreattori e accorciare i tempi di sviluppo dei vaccini

L’immunoterapia per il cancro e per le malattie autoimmuni o neurologiche richiede la produzione di anticorpi che si legano alle cellule malate e le marcano affinché il corpo le distrugga.

L’immunoterapia per il cancro e per le malattie autoimmuni o neurologiche richiede la produzione di anticorpi che si legano alle cellule malate e le marcano affinché il corpo le distrugga. Sviluppare i ceppi di partenza per far crescere questi anticorpi in colture cellulari e ottimizzare in laboratorio i bioreattori e le condizioni di crescita delle colture può richiedere facilmente oltre 40 settimane — e questi progetti sono soggetti a cambiamenti di priorità, di personale e di budget.

Una volta individuati i ceppi appropriati, il processo deve essere scalato e validato, arrivando infine alle sperimentazioni cliniche, il che aggiunge altre settimane (o, realisticamente, anni) al tempo necessario perché le terapie passino dal laboratorio alle persone che ne hanno bisogno.

Qui esaminiamo cinque mezzi di base (ma poco sfruttati) per ottimizzare le rese dei bioreattori, accorciare i tempi dello scale-up dei processi e produrre i trattamenti biologici o a base di anticorpi.

1. Utilizzare il DOE e l’analisi statistica

Le proteine necessarie per i diversi trattamenti hanno ciascuna le proprie condizioni di crescita ottimali, per garantire il corretto ripiegamento e assemblaggio delle proteine. Le condizioni di crescita devono poi essere ulteriormente ottimizzate per massimizzare le rese proteiche.

La crescita di anticorpi per le immunoterapie a partire da cellule ovariche di criceto cinese (CHO) richiede quindi condizioni di coltura specifiche, tra cui: miscela di nutrienti, temperatura e pH, livelli di ossigeno disciolto, tipo di bioreattore e strategia di controllo dell’alimentazione. Ottimizzare efficacemente queste condizioni è il principale fattore determinante dello stato di salute complessivo della coltura e dell’efficienza della sua crescita.

Ma ottimizzare ciascuna variabile in modo indipendente è irrealistico a causa dell’interdipendenza delle variabili (nemmeno i vincoli di tempo e le limitazioni di risorse aiutano). Tradizionalmente, l’ottimizzazione veniva eseguita per tentativi ed errori — modificando vari parametri in base alla comprensione e all’esperienza del ricercatore con il sistema. La progettazione degli esperimenti (DOE) e l’analisi statistica sono invece strumenti quantitativi in grado di semplificare drasticamente il complicato compito dell’ottimizzazione di processo.

Una configurazione di laboratorio comune prevede l’uso di colture di appena 10 mL per ottimizzare parametri di processo di base tra cui temperatura, pH e ossigeno disciolto. Coltivare circa 50 campioni alla volta consente ai ricercatori di sperimentare condizioni di crescita diverse. Il DOE è uno strumento da usare in modo proattivo, in modo che i ricercatori possano progettare questi sistemi su piccola scala per manipolare più variabili contemporaneamente e determinare in modo efficiente l’insieme ottimale di parametri critici di processo.

Il DOE è utile anche per la risoluzione dei problemi in sistemi in scala ridotta, di dimensioni comprese tra 500 mL e 10 L. Permette ai progettisti di sistemi di passare dalla risoluzione dei problemi per tentativi ed errori a soluzioni basate su dati statisticamente rilevanti che tengono conto di un gran numero di variabili di processo interagenti.

2. Implementare la PAT

La tecnologia analitica di processo (PAT) si riferisce semplicemente all’aggiunta di sensori in linea e di altri mezzi di raccolta dei dati, per raccogliere informazioni dai processi di produzione farmaceutica. Ciò porta a una maggiore comprensione di ciò che accade nel sistema e di come risponde a qualsiasi cambiamento — e significa che i progettisti di sistemi possono regolare i controllori in base a dati in tempo reale.

Sebbene la PAT venga in genere discussa nel contesto degli ambienti di produzione GMP, il concetto di maggiore sensorizzazione è altrettanto vantaggioso nei laboratori e negli impianti pilota. Le nuove informazioni danno a ricercatori, progettisti di sistemi e persino ai sistemi di controllo automatico la capacità di regolare in tempo reale i parametri critici di processo.

Inoltre, quando la sensorizzazione in stile PAT viene implementata in laboratorio, consente una transizione molto più semplice di un sistema completamente ottimizzato verso un ambiente GMP su scala di produzione.

3. Automatizzare le prove

Monitorare la crescita di colture da 10 – 15 mL è ovviamente fondamentale per la comprensione, da parte del ricercatore, dell’influenza delle varie condizioni di crescita. Tuttavia, poiché il volume della coltura è così ridotto, prelevare un campione da portare a un analizzatore può modificare le condizioni della coltura abbastanza da influire sulla crescita complessiva.

Per risolvere questo problema, gli scienziati stanno passando a dispositivi da banco che prelevano automaticamente campioni dalla coltura e ne analizzano parametri tra cui pH, densità cellulare, livelli di nutrienti e livelli di scarti tossici. Questo processo utilizza un campione più piccolo di quello richiesto da un analizzatore tradizionale, attenuando gli effetti del prelievo del campione dalla coltura. Consente inoltre di eseguire prove più frequenti, senza richiedere al ricercatore di seguire costantemente il sistema.

4. Costruire un sistema di controllo in anello chiuso

Se combinati con un software basato sul DOE, i sistemi di prova automatici possono creare un anello di retroazione dalla coltura cellulare ai controlli del reattore, offrendo un livello senza precedenti di controllo del sistema in tempo reale.

Questo tipo di controllo di processo stretto garantisce che i parametri di scale-up, come la velocità di trasferimento dell’ossigeno, siano misurati con accuratezza, il che consente poi lo sviluppo controllato dei processi pilota e di produzione a partire da colture su scala da banco. Un controllo stretto di questi parametri significa che saranno necessari meno cicli di scale-down per risolvere completamente i problemi del sistema pilota, che potrà essere trasferito più rapidamente a un ambiente di produzione.

5. Intensificazione di processo

L’obiettivo dell’intensificazione di processo è sviluppare metodi ingegneristici che aumentino l’efficienza e la resa senza aumentare i costi complessivi del sistema.

Nei bioreattori, un obiettivo chiave dell’intensificazione di processo è aumentare la densità cellulare nel terreno del reattore. Ciò si ottiene principalmente passando da aree di crescita 2D ad aree 3D: i bioreattori che fanno crescere le colture su microsfere o fibre sono in grado di sostenere un numero molto maggiore di cellule/mL di terreno di coltura (20 milioni di cellule/mL rispetto a oltre 100 milioni di cellule/mL).

Aumentare le rese nei bioreattori di inoculo e di produzione senza aumentare l’ingombro produttivo porta a risparmi significativi. Lo “scale-out” ne è un esempio interessante: quando le densità cellulari possono essere aumentate al punto che bioreattori monouso da 2.000 L sono sufficienti a soddisfare la domanda di produzione (anziché passare a reattori multiuso più grandi), si ottengono enormi risparmi di costi e di tempo.

Un altro esempio di intensificazione di processo è l’uso di una strategia di perfusione per far crescere un bioreattore di inoculo, che consente al produttore di inoculare il bioreattore di produzione a una densità cellulare molto più elevata. In questo esempio, l’uso di bioreattori continui ottimizzati (un tassello chiave del panorama della Pharma 4.0) su piccola scala consente una crescita della coltura molto più rapida nel bioreattore di produzione — e la consegna delle terapie farmacologiche ai pazienti in tempi record.

Per saperne di più: ridurre l’ingombro delle apparecchiature porta significativi risparmi di tempo e di costi $