KR20230162932A - 혼합 프로토콜 개발을 위한 방법 및 시스템 - Google Patents

혼합 프로토콜 개발을 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20230162932A
KR20230162932A KR1020237031391A KR20237031391A KR20230162932A KR 20230162932 A KR20230162932 A KR 20230162932A KR 1020237031391 A KR1020237031391 A KR 1020237031391A KR 20237031391 A KR20237031391 A KR 20237031391A KR 20230162932 A KR20230162932 A KR 20230162932A
Authority
KR
South Korea
Prior art keywords
test values
models
prediction models
candidate
prediction
Prior art date
Application number
KR1020237031391A
Other languages
English (en)
Inventor
로스 케년
조던 버드
매튜 오렘랜드
Original Assignee
리제너론 파아마슈티컬스, 인크.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 리제너론 파아마슈티컬스, 인크. filed Critical 리제너론 파아마슈티컬스, 인크.
Publication of KR20230162932A publication Critical patent/KR20230162932A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
    • B01F27/80—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis
    • B01F27/808—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis with stirrers driven from the bottom of the receptacle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
    • B01F27/80—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis
    • B01F27/85—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis with two or more stirrers on separate shafts
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
    • B01F27/80—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis
    • B01F27/91—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis with propellers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/22—Control or regulation
    • B01F35/2201—Control or regulation characterised by the type of control technique used
    • B01F35/2207—Use of data, i.e. barcodes, 3D codes or similar type of tagging information, as instruction or identification codes for controlling the computer programs, e.g. for manipulation, handling, production or compounding in mixing plants
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/80—Data visualisation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F2101/00—Mixing characterised by the nature of the mixed materials or by the application field
    • B01F2101/22—Mixing of ingredients for pharmaceutical or medical compositions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F2215/00—Auxiliary or complementary information in relation with mixing
    • B01F2215/04—Technical information in relation with mixing
    • B01F2215/0404—Technical information in relation with mixing theories or general explanations of phenomena associated with mixing or generalizations of a concept by comparison of equivalent methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F2215/00—Auxiliary or complementary information in relation with mixing
    • B01F2215/04—Technical information in relation with mixing
    • B01F2215/0409—Relationships between different variables defining features or parameters of the apparatus or process

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Geometry (AREA)
  • Fluid Mechanics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer And Data Communications (AREA)
  • Communication Control (AREA)
  • Peptides Or Proteins (AREA)
  • Accessories For Mixers (AREA)
  • Feedback Control In General (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)

Abstract

예측 모델을 개발하는 방법은 예측 모델들에 대한 혼합 프로토콜 파라미터들을 식별하는 단계, 예측 모델에 대한 평가 기준을 식별하는 단계, 혼합 프로토콜 파라미터들에 대한 테스트 값들을 선택하는 단계, 평가 기준을 생성하기 위해 수행되어야 하는 전산유체역학(CFD) 시뮬레이션을 식별하는 단계, 테스트 값들의 각 조합에 대해 CFD 시뮬레이션을 수행함으로써 테스트 값들의 각 조합에 대응하는 평가 기준을 생성하는 단계, 혼합 프로토콜 파라미터들을 평가 기준에 관련시키는 잠잭적 예측 모델들의 도메인을 생성하는 단계, 잠재적 예측 모델들의 도메인으로부터 후보 예측 보델들의 풀을 식별하는 단계, 및 후보 예측 모델들의 풀에 순위를 배기는 단계를 포함한다.

Description

혼합 프로토콜 개발을 위한 방법 및 시스템
관련 출원의 상호 참조
본 출원은 2021년 3월 26일에 출원된 미국 가특허출원번호 63/166,504 및 2022년 1월 12일에 출원된 미국 가특허출원번호 63/298,880에 대한 우선권을 주장하며, 두 출원 모두 그 전체가 본 명세서에 참고로 포함되어 있다.
기술분야
본 개시는 혼합 프로토콜들(mixing protocols)을 개발하고 구현하기 위한 시스템들 및 방법들에 관한 것이다. 본 개시의 일부 양태들은 치료제(therapeutics)의 생물학적 생산과 관련된 혼합 프로토콜들의 높은 처리량 평가를 위한 시스템들 및 방법들에 관한 것이다.
바이오의약품(biopharmaceutical products)(예: 항체, 융합 단백질, 아데노 관련 바이러스(AAV), 단백질, 조직, 세포, 폴리펩티드 또는 생물학적 기원의 다른 치료 제품)은 감염성 질환, 유전 질환, 자가 면역 질환, 및 다른 질병들의 치료와 예방에 점점 더 많이 사용되고 있다. 바이오의약품들의 생산에는 정확하고 일관된 조건들이 필요하다. 바이오의약품을 포함한 솔루션들의 일관성을 보장하기 위해 제조 프로세스 전반에 걸쳐 혼합 프로토콜들이 이용될 수 있다. 혼합 프로토콜들은 바이오의약품 생산과 관련된 다양한 용액들 내에서 용액 성분들(예: 바이오의약품, 세포 폐기물, 숙주 단백질, 세포외 영양소, 기타 분자들)의 적절한 분포를 유지하는 데 도움이 될 수 있다.
혼합 프로토콜들은 혼합 용기의 모양과 크기, 용액 내 유체 흐름의 방향과 속도, 용액의 물리화학적 특성들에 대한 파라미터들을 포함할 수 있다. 혼합 프로토콜들은 각 유형의 바이오의약품, 혼합 용기 기하학적 형태(mixing vessel geometry), 배지 구성(media composition), 및 숙주 세포에 대해 개발될 수 있다. 바이오의약품, 혼합 용기 기하학적 형태, 배지 구성, 또는 숙주 세포에 대한 수정은 혼합 프로토콜의 재개발(redevelopment)을 필요로 할 수 있다. 혼합 프로토콜을 개발하는 기존 방법들은 시간과 노동 집약적이며 혼합 프로토콜의 품질을 떨어뜨릴 수 있다.
본 개시의 실시예들은 예측 모델을 개발하는 방법에 관한 것일 수 있다. 방법은 예측 모델에 대한 혼합 프로토콜 파라미터들을 식별하는 단계, 예측 모델에 대한 평가 기준을 식별하는 단계, 및/또는 혼합 프로토콜 파라미터들에 대한 테스트 값들을 선택하는 단계를 포함할 수 있다. 방법은 평가 기준을 생성하기 위해 수행되어야 하는 전산유체역학(computation fluid dynamics)(CFD) 시뮬레이션을 식별하는 단계를 더 포함할 수 있다. 방법은 또한 테스트 값들의 각 조합에 대해 CFD 시뮬레이션을 수행함으로써 테스트 값들의 각 조합에 대응하는 평가 기준을 생성하는 단계를 포함할 수 있다. 방법은 혼합 프로토콜 파라미터들을 평가 기준에 관련시키는 잠잭적 예측 모델들의 도메인을 생성하는 단계, 잠재적 예측 모델들의 도메인으로부터 후보 예측 보델들의 풀을 식별하는 단계, 및 후보 예측 모델들의 풀에 순위를 배기는 단계를 더 포함할 수 있다.
본 개시의 일부 실시예들에서, 혼합 프로토콜 파라미터들은 임펠러 속도(impeller speed), 배치 크기(batch size), 용액 점도, 용액 밀도, 혼합 용기 크기, 및 혼합 용기 기하학적 형태 중 2개 이상을 포함할 수 있다. 평가 기준은: 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선(fluid flow streamlines), 정상 상태 혼합 시간, 과도 혼합 시간, 체류 시간 분포, 윤곽선 전단 변형률(contour shear strain rate), 평균 전단 변형률(average shear strain rate), 노출 분석, 및 전력 소비 중 2개 이상을 포함할 수 있다. 식별된 CFD 시뮬레이션은 정상 흐름 분석, 과도 흐름 분석, 혼합 시간 분석, 및/또는 노출 분석을 포함할 수 있다. 일부 실시예들에서, 혼합 예측 모델을 개발하는 방법은, 잠재적 예측 모델들의 도메인을 생성한 후, 후보 예측 모델들의 풀을 식별하기 전에, 잠재적 예측 모델들의 도메인에서 각각의 잠재적 예측 모델에 대한 분산 팽창 인자를 계산하는 단계, 및 공선성 임계값(collinearity threshold)보다 크거나 같은 분산 팽창 인자를 갖는 잠재적 예측 모델들을 잠재적 예측 모델들의 도메인으로부터 제거하여 잠재적 예측 모델들의 서브세트를 생성하는 단계를 더 포함할 수 있다. 후보 예측 모델들의 풀은 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 서브세트로부터의 단변량 모델, 및 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 서브세트로부터의 이변량 모델을 포함할 수 있다. 후보 예측 모델들의 풀에 순위를 매기는 단계는 항들(terms)의 수에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, R2 값에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, 또는 둘 다를 포함할 수 있다. 본 개시의 일부 실시예들에서, 상기한 테스트 값들은 제1 테스트 값들이고, 예측 모델을 개발하는 방법은 후보 예측 모델 풀로부터의 후보 예측 모델을 사용하여, 제2 테스트 값들의 조합에 대응하는 평가 기준의 추정값을 생성하는 단계를 더 포함한다. 또한, 방법은 제2 테스트 값들의 조합에 대응하는 평가 기준을 생성하기 위해 제2 테스트 값들의 조합에 대한 CFD 시뮬레이션을 수행하는 단계, 및 제2 테스트 값들의 조합에 대응하는 평가 기준과 제2 테스트 값들의 조합에 대응하는 평가 기준의 추정값을 비교하는 단계를 더 포함할 수 있다.
본 개시의 추가의 실시예들은 예측 모델들을 개발하는 방법을 포함할 수 있다. 방법은 예측 모델들에 대한 제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 식별하는 단계, 예측 모델들에 대한 제1 및 제2 평가 기준을 식별하는 단계, 제1 혼합 프로토콜 파라미터에 대한 제1 테스트 값들을 선택하는 단계, 제2 혼합 프로토콜 파라미터에 대한 제2 테스트 값들을 선택하는 단계, 및/또는 제3 혼합 프로토콜 파라미터에 대한 제3 테스트 값들을 선택하는 단계를 포함할 수 있다. 방법은 제1 평가 기준을 생성하기 위해 수행되어야 하는 제1 전산유체역학(CFD) 시뮬레이션을 식별하는 단계, 제2 평가 기준을 생성하기 위해 수행되어야 하는 제2 CFD 시뮬레이션을 식별하는 단계, 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대해 제1 CFD 시뮬레이션을 수행함으로써 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대응하는 제1 평가 기준을 생성하는 단계, 및/또는 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대해 제2 CFD 시뮬레이션을 수행함으로써 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대응하는 제2 평가 기준을 생성하는 단계를 더 포함할 수 있다. 방법은 제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 제1 평가 기준에 관련시키는 제1 예측 모델들의 제1 도메인을 생성하는 단계, 및/또는 제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 제2 평가 기준에 관련시키는 제2 예측 모델들의 제2 도메인을 생성하는 단계를 더 포함할 수 있다.
본 개시의 일부 실시예들에서, 예측 모델들을 개발하는 방법은 각각의 제1 예측 모델 및 각각의 제2 예측 모델에 대한 분산 팽창 인자를 계산하는 단계, 3 이상의 분산 팽창 인자를 갖는 제1 예측 모델들의 제1 도메인으로부터 제1 예측 모델들을 제거하여 제1 예측 모델들의 제1 서브세트를 생성하는 단계, 3 이상의 분산 팽창 인자를 갖는 제2 예측 모델들의 제2 도메인으로부터 제2 예측 모델들을 제거하여 제1 예측 모델들의 제1 서브세트를 생성하는 단계, 제1 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 단변량 모델, 제1 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 이변량 모델, 및 제1 서브세트의 모든 다른 삼변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 삼변량 모델을 포함하는 후보 제1 예측 모델들의 제1 풀을 식별하는 단계, 제2 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 단변량 모델, 제2 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 이변량 모델, 및 제2 서브세트의 모든 다른 삼변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 삼변량 모델을 포함하는 후보 제2 예측 모델들의 제2 풀을 식별하는 단계, 제1 혼합 프로토콜 파라미터에 대한 제4 테스트 값들을 선택하는 단계, 제2 혼합 프로토콜 파라미터에 대한 제5 테스트 값들을 선택하는 단계, 제3 혼합 프로토콜 파라미터에 대한 제6 테스트 값들을 선택하는 단계, 후보 제1 예측 모델들의 제1 풀의 각 후보 제1 예측 모델을 사용하여 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 추정된 제1 평가 기준을 생성하는 단계, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대해 제1 CFD 시뮬레이션을 수행함으로써 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준을 생성하는 단계, 후보 제1 예측 모델들의 제1 풀의 각 후보 제1 예측 모델에 의해 생성된 추정된 제1 평가 기준을, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준과 비교하는 단계, 후보 제2 예측 모델들의 제2 풀의 각 후보 제2 예측 모델을 사용하여 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 추정된 제2 평가 기준을 생성하는 단계, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대해 제2 CFD 시뮬레이션을 수행함으로써 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제2 평가 기준을 생성하는 단계, 후보 제2 예측 모델들의 제2 풀의 각 후보 제2 예측 모델에 의해 생성된 추정된 제2 평가 기준을, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제2 평가 기준과 비교하는 단계, 추정된 제1 평가 기준과 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준의 비교에 기초하여, 후보 제1 예측 모델들의 제1 풀로부터 제1 예측 모델을 선택하는 단계, 추정된 제1 평가 기준과 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준의 비교에 기초하여, 후보 제2 예측 모델들의 제2 풀로부터 제2 예측 모델을 선택하는 단계, 제1 예측 모델을 사용하여 혼합 프로토콜에 대응하는 제1 평가 기준을 결정하는 단계, 및 제2 예측 모델을 사용하여 혼합 프로토콜에 대응하는 제2 평가 기준을 결정하는 단계를 더 포함할 수 있다.
본 개시의 추가 실시예들은 혼합 프로토콜과 연관된 전단 변형(shear strain)을 모델링하는 방법을 포함할 수 있다. 방법은 예측 모델에 대한 혼합 프로토콜 파라미터들을 식별하는 단계, 혼합 프로토콜 파라미터들에 대한 테스트 값들을 선택하는 단계, 테스트 값들의 각 조합에 대해 전산유체역학 노출 분석을 수행하여 테스트 값들의 각 조합에 대응하는 전단 변형을 생성하는 단계, 후보 예측 모델들의 풀을 식별하는 단계, 후보 예측 모델들의 풀에 순위를 매기는 단계, 후보 예측 모델들의 풀로부터 예측 모델을 선택하는 단계, 및 예측 모델을 사용하여 복수의 시간 간격들로 혼합 프로토콜의 누적 전단 변형을 평가하여 전단 변형 히스토그램 데이터(shear strain histogram data)를 생성하는 단계를 포함할 수 있다.
본 개시의 일부 실시예들에서, 혼합 프로토콜과 연관된 전단 변형을 모델링하는 방법에서, 혼합 프로토콜 파라미터들은 임펠러 속도, 배치 크기, 용액 점도, 용액 밀도, 혼합 용기 크기, 및 혼합 용기 기하학적 형태 중 2개 이상을 포함한다. 후보 예측 모델들의 풀에 순위를 매기는 단계는 항들의 수에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, R2 값에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, 또는 둘 다를 포함하고, 후보 예측 모델들의 풀로부터 예측 모델을 선택하는 단계는 가장 높은 R2 값을 갖는 모델을 선택하는 것을 포함한다. 혼합 프로토콜은 생물 반응기 내의 바이오의약품과 연관된 혼합 프로토콜일 수 있다. 방법은 전단 변형 히스토그램 데이터를 사용하여 가시적 또는 서브-가시적(sub-visible) 입자 형성의 위험을 평가하는 단계를 더 포함할 수 있다.
본 명세서에 통합되고 그 일부를 구성하는 첨부 도면들은 다양한 예시적인 실시예들을 나타내며, 설명과 함께 개시된 실시예들의 원리들을 설명하는 역할을 한다. 본 명세서에 기술된 실시예 또는 예의 어떠한 특징들(예를 들어, 조성물, 제형, 방법 등)도 임의의 다른 실시예 또는 예와 조합될 수 있으며, 그러한 모든 조합들은 본 개시에 의해 포괄된다. 또한, 기술된 시스템들 및 방법들은 그의 어떠한 단일 양태나 실시예에 제한되지 않으며, 그러한 양태들 및 실시예들의 어떠한 조합들이나 순열들에도 제한되지 않는다. 간결함을 위해, 특정 순열들 및 조합들은 여기에서 별도로 논의 및/또는 설명되지 않는다.
도 1은 본 개시의 양태들에 따라 변형 히스토그램을 도시한다.
도 2는 본 개시의 양태들에 따라 혼합 프로토콜들을 평가하기 위한 예측 모델을 개발하기 위한 예시적인 방법을 흐름도 형태로 도시한다.
도 3a 및 3b는 본 개시의 양태들에 따라 혼합 용기의 그래픽 표현들이다.
도 4a는 본 개시의 양태들에 따라 유체 흐름 벡터 필드의 시각적 묘사이다.
도 4b는 본 개시의 양태들에 따라 유체 흐름 유선들의 시각적 묘사이다.
도 4c는 본 개시의 양태들에 따라 윤곽선 전단 변형률의 시각적 표현이다.
도 5는 본 개시의 양태들에 따라 잠재적 예측 모델들을 구축하기 위한 예시적인 방법을 흐름도 형태로 도시한다.
도 6은 본 개시의 양태들에 따라 CFD 분석에 의해 결정된 혼합 시간 대 예측 모델에 의해 결정된 혼합 시간의 플롯을 도시한다.
도 7은 본 개시의 양태들에 따라 CFD 분석에 의해 결정된 변형률 대 예측 모델에 의해 결정된 변형률의 플롯을 도시한다.
도 8은 본 개시의 양태들에 따라 예측 모델을 플롯팅함으로써 생성된 변형률 히스토그램을 도시한다.
도 9a-9c는 본 개시의 양태들에 따라 응집체 형성의 이론화된 메커니즘의 시각적 묘사이다.
도 10a는 본 개시의 양태들에 따라 수직 속도 윤곽선들의 시각적 묘사이다.
도 10b는 본 개시의 양태들에 따라 부피 평균 속도의 시각적 묘사이다.
도 11은 본 개시의 양태들에 따라 탱크 반경의 함수로서 수직 속도의 플롯을 도시한다.
달리 정의되지 않는 한, 본 명세서에서 사용되는 모든 기술 및 과학 용어들은 본 개시가 속하는 기술의 숙련자가 일반적으로 이해하는 것과 동일한 의미를 갖는다. 임의의 적합한 방법들 및 재료들(예를 들어, 본 명세서에 설명된 것과 유사하거나 등가의 것)이 본 개시의 실시 또는 테스팅에 사용될 수 있지만, 특정의 예시적인 방법들이 이제 설명된다. 언급된 모든 공보들은 참조로 여기에 포함된다.
본 명세서에 사용된 바와 같이, 용어들 "포함하다", "포함하는" 또는 이들의 임의의 다른 변형은 배타적이지 않은 포함을 포괄하도록 의도되며, 요소들의 리스트를 포함하는 프로세스, 방법, 물품, 또는 장치는 이들 요소들을 포함할 뿐만 아니라 그러한 프로세스, 방법, 물품, 또는 장치에 명시적으로 나열되지 않거나 내재되지 않은 다른 요소들을 포함할 수 있다. "예시적"이라는 용어는 "이상적인"이 아니라 "예"라는 의미로 사용된다. "예를 들어" 및 "~와 같은”이라는 용어들과 그 문법적 동등어들에 대해, 달리 명시적으로 언급되지 않는 한 "제한 없이"라는 문구가 따르는 것으로 이해해야 된다.
본 명세서에 사용된 바와 같은 용어 "약"은 실험적 오류로 인한 편차를 설명하기 위한 것이다. 수치 값들에 적용될 때, "약"이라는 용어는 다른 변동이 명시되지 않는 한 개시된 수치 값으로부터 +/- 5%의 변동을 나타낼 수 있다. 본 명세서에 사용되는 바와 같이, 단수 형태의 표현들("a", "an” 및 "the")은 문맥이 명확하게 달리 기재하지 않는 한 복수의 대상들을 포함한다. 또한, 모든 범위들은 끝점들을 포함하는 것으로 이해되며, 예를 들어 1센티미터(cm)에서 5cm까지는 1cm, 5cm, 및 1cm와 5cm 사이의 모든 거리들의 길이들을 포함하는 것으로 이해된다.
본 명세서에 개시되거나 청구된 모든 수치 값들(모든 개시된 값들, 한계들, 및 범위들을 포함)은 다른 변동이 명시되지 않는 한 개시된 수치 값으로부터 +/- 5%의 변동을 가질 수 있다는 점에 유의해야 한다.
본원에 사용된 용어 "폴리펩티드(polypeptide)"는 아미드 결합을 통해 공유 결합된 약 20개 이상의 아미노산을 갖는 임의의 아미노산 중합체를 의미한다. 단백질은 하나 이상의 아미노산 중합체 사슬(예: 폴리펩티드)을 포함한다. 따라서, 폴리펩티드는 단백질일 수 있고, 단백질은 다중 폴리펩티드를 함유하여 단일 기능 생체 분자를 형성할 수 있다.
번역 후 변형(post-translational modification)은 폴리펩티드의 구조를 변형하거나 변경할 수 있다. 예를 들어, 일부 단백질에서는 이황화 다리(disulfide bridges)(예: 시스테인 잔기(cysteine residues) 사이의 S-S 결합)가 번역 후 형성될 수 있다. 일부 이황화 다리는 폴리펩티드, 면역글로불린, 단백질, 보조 인자(co-factors), 기질(substrates) 등의 적절한 구조, 기능 및 상호작용에 필수적이다. 이황화 결합 형성(disulfide bond formation) 외에도, 단백질은 지질화(예: 미리스토일화, 팔미토일화, 파르네소일화, 게라닐게라닐화, 및 글리코실포스파티딜이노시톨(GPI) 앵커 형성), 알킬화(예: 메틸화), 아실화, 아미드화, 글리코실화(예: 아르기닌, 아스파라긴, 시스테인, 하이드록시라이신, 세린, 트레오닌, 티로신, 및/또는 트립토판에 글리코실기 추가), 및 인산화(즉, 세린, 트레오닌, 티로신, 및/또는 히스티딘에 인산기 추가)와 같은 다른 번역 후 변형이 적용될 수 있다. 번역 후 변형은 소수성, 정전기적 표면 특성, 또는 폴리펩티드가 관여하는 표면 간 상호작용을 결정하는 다른 특성들에 영향을 미칠 수 있다.
본 명세서에서 사용되는 용어 "단백질"은 바이오 치료용 단백질, 연구 또는 치료에 사용되는 재조합 단백질, 트랩 단백질 및 기타 Fc-융합 단백질, 키메라 단백질, 항체, 단일 클론 항체, 인간 항체, 이중 특이성 항체, 항체 단편(antibody fragments), 항체 유사 분자, 나노바디, 재조합 항체 키메라, 사이토카인, 케모카인, 펩티드 호르몬 등을 포함한다. 관심 단백질(POI)은 분리(isolated), 정제(purified), 또는 다른 방식으로 준비하고자 하는 모든 폴리펩티드 또는 단백질을 포함할 수 있다. POI은 항체를 포함하여 세포에 의해 생성된 폴리펩티드를 포함할 수 있다.
본 명세서에서 사용되는 용어 "항체"는 4개의 폴리펩티드 사슬, 즉 이황화 결합에 의해 상호 연결된 2개의 중쇄(H)의 사슬 및 2개의 경쇄(L)의 사슬로 구성된 면역글로불린을 포함한다. 전형적으로, 항체는 예를 들어 130kDa 내지 200kDa 사이, 예를 들어 약 140kDa, 145kDa, 150kDa, 155kDa, 또는 160kDa와 같은 100kDa 초과의 분자량을 갖는다. 각각의 중쇄는 중쇄 가변 영역(본원에서는 HCVR 또는 VH로 약칭함) 및 중쇄 불변 영역(heavy chain constant region)을 포함한다. 중쇄 불변 영역은 CH1, CH2, 및 CH3의 3개의 도메인들을 포함한다. 각각의 경쇄는 경쇄 가변 영역(본원에서는 LCVR 또는 VL로 약칭함) 및 경쇄 불변 영역을 포함한다. 경쇄 불변 영역은 하나의 도메인 CL을 포함한다. VH 및 VL 영역들은 상보성 결정 영역(CDR)으로 불리는 초가변성(hypervariability) 영역들로 더 세분될 수 있으며, 프레임워크 영역(FR)으로 불리는 더욱 보존된 영역들로 산재된다. 각 VH 및 VL은 3개의 CDR들과 4개의 FR들로 구성되며, 아미노 말단에서 카르복시 말단까지 다음 순서로 배열된다: FR1, CDR1, FR2, CDR2, FR3, CDR3, FR4(중쇄 CDR들은 HCDR1, HCDR2, 및 HCDR3으로 약칭될 수 있고, 경쇄 CDR들은 LCDR1, LCDR2, 및 LCDR3으로 약칭될 수 있음).
예를 들어, 면역글로불린 G(IgG)라고 하는 면역글로불린 클래스는 인간 혈청에서 흔히 발견되며 4개의 폴리펩티드 사슬, 즉 2개의 경쇄와 2개의 중쇄를 포함한다. 각 경쇄는 시스틴 이황화 결합을 통해 하나의 중쇄에 연결되고, 두 개의 중쇄는 두 개의 시스틴 이황화 결합을 통해 서로 결합된다. 인간 면역글로불린의 다른 클래스들은 IgA, IgM, IgD, 및 IgE를 포함한다. IgG의 경우, 4개의 서브클래스들이 존재한다: IgG 1, IgG 2, IgG 3, 및 IgG 4. 각 서브클래스는 불변 영역이 다르며, 결과적으로 상이한 이펙터 기능을 가질 수 있다. 본 명세서에 기술된 일부 실시예들에서, POI는 IgG를 포함하는 표적 폴리펩티드(target polypeptide)를 포함할 수 있다. 적어도 하나의 실시예에서, 표적 폴리펩티드는 IgG 4를 포함한다.
본 명세서에서 사용되는 용어 "항체"는 또한 전체 항체 분자들의 항원 결합 단편(antigen-binding fragments)을 포함한다. 본 명세서에서 사용되는 용어들인 항체의 "항원-결합 부분", 항체의 "항원-결합 단편" 등은 항원에 특이적으로 결합하여 복합체(complex)를 형성하는 임의의 자연 발생하는, 효소적으로 획득 가능한, 합성 또는 유전적으로 조작된 폴리펩티드 또는 당단백질을 포함한다. 항체의 항원-결합 단편은 예를 들어, 단백질 분해 소화 또는 재조합 유전 공학 기술(항체 가변 도메인 및 선택적으로 불변 도메인을 코딩하는 DNA의 조작 및 발현을 포함)과 같은 임의의 적합한 표준 기술을 사용하여 전체 항체 분자들로부터 유래될 수 있다. 이러한 DNA는 알려져 있고 및/또는 예를 들어 상업적 소스, DNA 라이브러리(예를 들어, 파지-항체 라이브러리 포함)로부터 쉽게 입수할 수 있으며, 또는 합성될 수 있다. DNA가 시퀀싱 및 조작(예를 들어 하나 이상의 가변 및/또는 불변 도메인을 적합한 구성으로 배열하거나 코돈(codons)을 도입하고, 시스테인 잔기를 생성하고, 아미노산을 변형, 추가 또는 제거하는 등등을 위해 분자 생물학 기술을 사용함으로써 또는 화학적으로)될 수 있다.
표적 분자(예: 표적 폴리펩티드/항체)는 곤충 바큘로바이러스 시스템, 효모 시스템(예: Pichia sp.) 또는 포유류 시스템(예: CHO 세포 및 CHO-K1 세포와 같은 CHO 유도체)과 같은 재조합 세포 기반 생산 시스템을 사용하여 생산될 수 있다. "세포"라는 용어는 재조합 핵산 서열을 발현하는데 적합한 모든 세포를 포함한다. 세포는 원핵생물과 진핵생물의 세포(단세포 또는 다세포), 박테리아 세포(예: E. coli, Bacillus spp., Streptomyces spp. 등의 균주), 마이코박테리아 세포, 곰팡이 세포, 효모 세포(예: S. cerevisiae, S. pombe, P. pastoris, P. methanolica, 등), 식물 세포, 곤충 세포(예: SF-9, SF-21, 바큘로바이러스 감염 곤충 세포, 트리코플루시아니 등), 비인간 동물 세포, 인간 세포, 또는 예를 들어 하이브리도마 또는 쿼드로마와 같은 세포 융합체를 포함한다. 일부 실시예들에서, 세포는 인간, 원숭이, 유인원, 햄스터, 쥐 ,또는 마우스 세포일 수 있다. 일부 실시예들에서, 세포는 진핵세포일 수 있고, 다음 세포들로부터 선택될 수 있다: CHO(예: CHO K1, DXB-11 CHO, Veggie-CHO), COS(예: COS-7), 망막 세포, Vero, CV1, 신장(예: HEK293, 293 EBNA, MSR 293, MDCK, HaK, BHK), HeLa, HepG2, WI38, MRC 5, Colo205, HB 8065, HL-60, (예: BHK21), Jurkat, Daudi, A431(표피), CV-1, U937, 3T3, L 세포, C127 세포, SP2/0, NS-0, MMT 060562, Sertoli 세포, BRL 3A 세포, HT1080 세포, 골수종 세포, 종양 세포, 및 상기한 세포로부터 유래된 세포주. 일부 실시예들에서, 세포는 하나 이상의 바이러스 유전자들, 예를 들어 바이러스 유전자를 발현하는 망막 세포(예: PER.C6™ 세포)를 포함할 수 있다.
용어 "표적 분자"는 표적 폴리펩티드(예를 들어, 항체, 항체 단편, 또는 기타 단백질 또는 단백질 단편), 또는 의약품에 생산, 분리, 정제, 및/또는 포함되도록 의도된 다른 분자(예를 들어, 아데노 관련 바이러스(AAV) 또는 치료용 다른 분자)를 지칭하기 위해 본 명세서에서 사용될 수 있다. 본 개시에 따른 방법은 표적 폴리펩티드를 지칭할 수 있지만, 이는 다른 표적 분자에도 적용될 수 있다. 예를 들어, AAV는 적합한 방법(예를 들어, 심층 여과, 친화성 크로마토그래피 등)에 따라 제조될 수 있고, AAV를 포함하는 혼합물에 본 개시에 따른 방법들이 적용될 수 있다. 본 개시의 하나 이상의 방법들을 따르기 전 또는 후에, AAV를 포함하는 혼합물에 추가 절차(예를 들어, 표적 서열을 포함하지 않는 AAV 또는 "빈 카세트"의 제거)를 실시할 수 있다.
일부 실시예들에서, 표적 분자는 항체, 인간 항체, 인간화 항체, 키메라 항체, 단일 클론 항체, 다중 특이성 항체, 이중 특이성 항체, 항원 결합 항체 단편, 단일 사슬 항체, 다이아바디, 트라이아바디 또는 테트라바디, Fab 단편 또는 F(ab')2 단편, IgD 항체, IgE 항체, IgM 항체, IgG 항체, IgG1 항체, IgG2 항체, IgG3 항체, 또는 IgG4 항체이다.　 한 실시예에서, 항체는 IgG1 항체이다.　 한 실시예에서, 항체는 IgG2 항체이다.　 한 실시예에서, 항체는 IgG4 항체이다. 한 실시예에서, 항체는 키메라 IgG2/IgG4 항체이다. 한 실시예에서, 항체는 키메라 IgG2/IgG1 항체이다. 한 실시예에서, 항체는 키메라 IgG2/IgG1/IgG4 항체이다.
일부 실시예들에서, 표적 분자(예: 항체)는, 항-프로그램화된 세포 사멸 1 항체(예를 들어, 미국 특허출원공개번호 US2015/ 0203579A1에 설명되는 항-PD1 항체), 항-프로그램화된 세포 사멸 리간드-1(예를 들어, 미국 특허출원공개번호 US2015/0203580A1에 설명되는 항-PD-L1 항체), 항-Dll4 항체, 항-안지오포에틴-2 항체(예를 들어, 미국 특허번호 9,402,898에 설명되는 항-ANG2 항체), 항-안지오포에틴 유사 3 항체(예를 들어, 미국 특허번호 9,018,356에 설명되는 항-AngPtl3 항체), 항-혈소판 유래 성장 인자 수용체 항체(예를 들어, 미국 특허번호 9,265,827에 설명되는 항-PDGFR 항체), 항-프로락틴 수용체 항체(예를 들어, 미국 특허번호 9,302,015에 설명되는 항-PRLR 항체), 항-보체 5 항체(예를 들어, 미국 특허출원공개번호 US2015/0313194A1에 설명되는 항-C5 항체), 항-TNF 항체, 항-표피 성장 인자 수용체 항체(예를 들어, 미국 특허번호 9,132,192에 설명되는 항-EGFR 항체 또는 미국 특허출원공개번호 US2015/0259423A1에 설명되는 항-EGFRvIII 항체), 항-프로단백질 전환 효소 서브틸리신 Kexin-9 항체(예를 들어, 미국 특허번호 8,062,640 또는 미국 특허출원공개번호 US2014/0044730A1에 설명되는 항-PCSK9 항체), 항-성장 및 분화 인자-8 항체(예를 들어, 미국 특허번호 8,871,209 또는 9,260,515에 설명되는 항-미오스타틴 항체로도 알려진 항-GDF8 항체), 항-글루카곤 수용체(예를 들어, 미국 특허출원공개번호 US2015/0337045A1 또는 US2016/0075778A1에 설명되는 바와 같은 항-GCGR 항체), 항-VEGF 항체, 항-IL1R 항체, 인터루킨 4 수용체 항체(예를 들어, 미국 특허출원공개번호 US2014/0271681A1 또는 미국 특허번호 8,735,095 또는 8,945,559에 설명되는 항-IL4R 항체), 항-인터루킨 6 수용체 항체(예를 들어, 미국 특허번호 7,582,298, 8,043,617 또는 9,173,880에 설명되는 항-IL6R 항체), 항-인터루킨 33(예를 들어, 미국 특허출원공개번호 US2014/0271658A1 또는 US2014/0271642A1에 설명되는 항-IL33 항체), 항-호흡기 세포 융합 바이러스 항체(예를 들어, 미국 특허출원공개번호 US2014/0271653A1에 설명되는 항-RSV 항체), 분화 3의 항-클러스터(예를 들어, 미국 특허출원공개번호 US2014/0088295A1 및 US20150266966A1, 및 미국 출원번호 62/222,605에 설명되는 항-CD3 항체), 분화 20의 항-클러스터(예를 들어, 미국 특허출원공개번호 US2014/0088295A1 및 US20150266966A1, 및 미국 특허번호 7,879,984에 설명되는 항-CD20 항체), 분화-48의 항-클러스터(예를 들어, 미국 특허번호 9,228,014에 설명되는 항-CD48 항체), 항-Fel d1 항체(예를 들어, 미국 특허번호 9,079,948에 설명됨), 항-중동 호흡기 증후군 바이러스(예를 들어, 항-MERS 항체), 항-에볼라 바이러스 항체(예를 들어, Regeneron's REGN- EB3), 항CD19 항체, 항CD28 항체, 항IL1 항체, 항IL2 항체, 항IL3 항체, 항IL4 항체, 항IL5 항체, 항IL6 항체 , 항-IL7 항체, 항-Erb3 항체, 항-Zika 바이러스 항체, 항-림프구 활성화 유전자 3(예: 항-LAG3 항체 또는 항-CD223 항체) 및 항-Activin A 항체로 구성된 그룹으로부터 선택된다. 이 단락에 언급된 각 미국 특허 및 미국 특허 공보는 그 전체가 참조로 포함된다.
일부 실시예들에서, 표적 분자(예를 들어, 이중 특이성 항체)는 항-CD3 x 항-CD20 이중 특이성 항체, 항-CD3 x 항-Mucin 16 이중 특이성 항체, 및 항-CD3 x 항-전립선 특이성 막 항원 이중 특이성 항체로 구성된 그룹으로부터 선택된다. 일부 실시예들에서, 표적 분자는 알리로쿠맙, 사릴루맙, 파시누맙, 네스바쿠맙, 두필루맙, 트레보그루맙, 에비나쿠맙, 및 리누쿠맙으로 구성된 그룹으로부터 선택된다.
일부 실시예들에서, 표적 분자는 Fc 부분과 다른 도메인을 포함하는 재조합 단백질(예: Fc 융합 단백질)이다.　 일부 실시예들에서, Fc-융합 단백질은 수용체 Fc-융합 단백질이며, 이는 Fc 부분에 결합된 수용체의 하나 이상의 세포외 도메인(들)을 포함한다.　 일부 실시예들에서, Fc 부분은 힌지 영역(hinge region)에 이어 IgG의 CH2 및 CH3 도메인을 포함한다.　 일부 실시예들에서, 수용체 Fc-융합 단백질은 단일 리간드 또는 다중 리간드들에 결합하는 2개 이상의 별개의 수용체 사슬들을 포함한다.　 예를 들어, Fc-융합 단백질은, 예컨대 IL-1 트랩(예를 들어, hIgG1의 Fc에 융합된 Il-1R1 세포외 영역에 융합된 IL-1RAcP 리간드 결합 영역을 포함하는 릴로나셉트; 미국 특허번호 6,927,004 참조(전체 내용이 참조로 포함됨)) 또는 VEGF 트랩(예를 들어, 애플리버셉트 또는 지브-애플리버셉트(hIgG1의 Fc에 융합된 VEGF 수용체 Flt1의 Ig 도메인 3에 융합된 VEGF 수용체 Flt1의 Ig 도메인 2를 포함함); 미국 특허번호 7,087,411 및 7,279,159 참조(둘 모두 전체 내용이 참조로 포함됨))와 같은 TRAP 단백질이다. 다른 실시예들에서, Fc-융합 단백질은 ScFv-Fc-융합 단백질이며, 이는 Fc 부분에 결합된 항체의 가변 중쇄 단편 및 가변 경쇄 단편과 같은 하나 이상의 항원 결합 도메인(들) 중 하나 이상을 포함한다.
　　"배양 배지(culture medium)" 또는 "배지"라는 용어는 일반적으로 탄수화물 에너지원, 필수 아미노산, 미량 원소, 비타민 등과 같이 세포의 성장을 향상시키는 데 필요한 영양소를 제공하는 세포 성장에 사용되는 영양 용액을 의미한다. 배양 배지에는 세포 성장을 지원하는 원료를 공급하는 추출물(예: 혈청 또는 펩톤(가수분해물))이 포함될 수 있다. 일부 실시예들에서, 배지는 동물 유래 추출물 대신 효모 유래 또는 콩 추출물을 포함할 수 있다. 화학적으로 정의된 배지는 모든 화학 성분들이 알려진 배양 배지를 지칭한다. 화학적으로 정의된 배지에는 혈청 또는 동물 유래 펩톤과 같은 동물 유래 성분이 전혀 없을 수 있다. 배지에는 단백질이 없을 수도 있다. "신선한 배지"는 아직 세포 배양에 도입되지 않았거나 및/또는 세포 배양의 세포들에 의해 아직 이용되지 않은 배지를 의미할 수 있다. 신선한 배지에는 일반적으로 영양 수준이 높고 폐기물이 거의 또는 전혀 없을 수 있다. "사용된 배지"는 세포 배양에서 세포에 의해 사용된 배지를 의미할 수 있으며 일반적으로 신선한 배지에 비해 영양 수준이 더 낮고 물 수준이 더 높을 수 있다.
일반적으로, 혼합 프로토콜들은 바이오의약품 제조의 여러 스테이지들에 통합될 수 있다. 예를 들어, 숙주 세포의 배양 또는 바이오 의약품의 수확 동안, 혼합 프로토콜을 활용하여 생성된 바이오 의약품, 세포, 영양소, 폐기물, 및 배양 배지의 기타 성분들의 적절한 분배를 보장할 수 있다. 혼합 프로토콜은 혼합 용기라고도 불리는 혼합 프로토콜을 실행하도록 구성된 용기와 함께 사용될 수 있다. 일부 실시예들에서, 생물 반응기가 혼합 용기로 사용될 수 있다. 다른 실시예들에서, 배양 배지는 혼합 프로토콜을 실행하기 전에 생물 반응기로부터 다른 유형의 혼합 용기로 전달될 수 있다.
바이오의약품(예: 관심 단백질)을 수확한 후, 수확된 바이오의약품을 용액에 보관할 수 있다. 바이오의약품을 포함하는 용액은 바이오의약품의 순도 및 유효성을 증가시키기 위해 하나 이상의 크로마토그래피, 여과(예: 한외여과(ultrafiltration), 투석여과(diafiltration), 또는 이들의 조합), 정제(예: 바이러스 불활성화) 단계들을 거칠 수 있다. 모든 스테이지들에서 혼합 프로토콜을 사용하여 용액을 균질화하고/하거나 용액 성분들의 적절한 분포를 보장할 수 있다. 위에서 논의한 적용들 외에도 개별 바이오테이너(biotainers), 배치(batches) 또는 로트(lots)를 결합 및/또는 희석하기 위해 혼합 프로토콜을 사용할 수 있다.
또한, 관심 단백질을 포함하지 않는 용액에 혼합 프로토콜을 적용할 수도 있다. 예를 들어, 앞서 언급한 바이오의약품 제조 단계들에서는 완충액(buffers), 배지(media) 및 기타 용액을 사용해야 한다. 완충액, 배지 및 기타 용액의 준비에는 하나 이상의 혼합 프로토콜의 사용이 포함될 수 있다.
혼합 프로토콜에 의존하는 바이오의약품 또는 그 제조 공정의 특정 특성을 모니터링하여 생성된 바이오의약품에 대한 혼합 프로토콜의 파라미터들의 영향을 평가할 수 있다. 예를 들어, 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선, 혼합 시간(예: 정상 상태 혼합 시간 또는 과도 혼합 시간), 체류 시간 분포, 윤곽선 전단 변형률, 평균 전단 변형률, 노출 분석 및/또는 혼합 프로토콜과 연관된 전력 소비가 혼합 프로토콜의 유용성 및/또는 효능을 평가하는 데 사용될 수 있다.
혼합 프로토콜은, 예를 들어 혼합 용기의 크기, 임펠러 속도, 전체 용량의 백분율로 나타낸 부하 크기, 용액의 점도, 및/또는 혼합 프로토콜의 요건을 설명하는 기타 동작 파라미터들과 같은 혼합 용기에 대한 동작 파라미터들을 포함할 수 있다. 일부 실시예들에서, 혼합 프로토콜은 용액(예를 들어, 배지, 세포, 관심 단백질(들), 및/또는 다른 분자들을 포함)이 충분히 균질화되면 완료된다. 혼합 프로토콜의 지속 시간, 즉 용액이 충분한 균질성에 도달하는 데 걸리는 시간을 혼합 시간이라고 한다. 용액이 혼합된 정도는 혼합 지수에 의해 정량화될 수 있다. 혼합 지수는 최종 농도에 대한 (예를 들어, 관심 단백질 또는 다른 분자) 농도의 표준 편차의 비율로 정의될 수 있다. 혼합 시간은 주어진 혼합 프로토콜 하에서 약 5%의 혼합 지수에 도달하는 데 필요한 시간의 양으로 정량화될 수 있다.
기존의 혼합 프로토콜 개발에서는 잠재적 혼합 프로토콜들이 생성될 때 관심 단백질과 관심 단백질이 포함된 배지의 생화학적 특성들이 고려된다. 잠재적 혼합 프로토콜들은 대리 혼합 연구를 통해 테스트되어 동작 범위들을 매핑하고 혼합 시간 데이터를 수집한다. 동작 범위들의 다양한 지점들에서 수집된 혼합 시간 데이터에 기초하여 하나 이상의 후보 혼합 프로토콜들이 결정될 수 있다. 후보 혼합 프로토콜들은 전단 응력 및 과혼합 연구를 통해 추가로 테스트될 수 있다. 전단 응력 및 과혼합 연구는 후보 혼합 프로토콜들을 평가하는 데 사용될 수 있는 제품 품질 데이터를 생성할 수 있다.
전단 응력과 과혼합은 혼합 시간에 따라 달라지므로 혼합 시간 데이터가 생성된 후에 전단 및 과혼합 연구가 수행되어야 한다. 전단 응력 및 과혼합 연구에 의해 제공된 제품 품질 데이터가 혼합 프로토콜이 적합하지 않은 것으로 나타나면, 잠재적 혼합 프로토콜들을 생성하기 위해 혼합 프로토콜의 개발이 다시 시작되어야 한다. 또한, 추가 전단 응력 및 과혼합 연구에 사용될 수 있는 혼합 시간 데이터를 생성하기 위해 새로운 잠재적 혼합 프로토콜들에 대해 대리 혼합 연구들이 수행되어야 한다.
혼합 프로토콜의 이러한 기존의 개발 흐름은 결과적으로 좋지 않은 제품 품질 데이터를 초래할 수 있는 혼합 프로토콜들을 평가하기 위해 대리 혼합 연구를 수행해야 하기 때문에 제한적이 된다. 잠재적 혼합 프로토콜이 조사되어야 하는지 여부를 결정하기 위해 여러 실험들을 실행해야 하는 기존의 개발 흐름의 요구 사항은 혼합 프로토콜들의 시간과 노동 집약적인 개발을 초래한다. 또한, 공기-액체 계면 응력, 공기 혼입(air entrainment), 및 가시적 또는 서브-가시적 입자 형성 위험 등과 같은 생성된 바이오의약품의 품질에 영향을 미치는 구현된 혼합 프로토콜과 관련된 이벤트들은 기존의 개발 흐름에서 다루어지지 않는다.
생성된 바이오의약품에 부정적인 결과를 초래할 수 있는 혼합 프로토콜의 모든 요인들을 해결하기 위한 기존의 혼합 프로토콜 개발 흐름의 실패 외에도, 스케일링된 연구들로 인해 과도하게 높은 전단 응력이 발생한다. 도 1은 기존의 혼합 프로토콜 개발과 연관된 스케일링된 전단 응력 연구들이 어떻게 전단 응력을 과대평가하는지 나타내는 변형 히스토그램을 보여준다. 곡선(610)은 검증된 혼합 프로토콜들에 대한 제조 조건들의 영역(605)과 비교하여 하나의 스케일링된 전단 응력 연구의 변형 히스토그램을 보여준다. 다르게 말하면, 영역(605)은 의약품의 검증된 혼합 프로토콜들에서 실제 전단 응력을 나타내는 반면, 곡선(610)은 스케일링된 연구들의 예측 전단 응력을 나타낸다. 도 1의 플롯은 스케일링된 연구들이 혼합 프로토콜들의 일반적인 동작 범위보다 더 높은 전단 응력을 갖는다는 것을 보여준다.
기존의 혼합 프로토콜 개발과 연관된 대리 혼합 연구들, 전단 응력, 및 과혼합 조사들에서는 공기-액체 계면 응력, 공기 혼입, 및 가시적 또는 서브-가시적 입자 형성 위험을 정량화하지 않는다. 따라서, 이러한 지표들은 일반적으로 실제 바이오의약품을 사용한 전체 규모 조사(full-scale investigations)를 통해 평가된다. 제품을 사용한 전체 규모 조사에는 비용과 시간이 많이 소요된다. 전체 규모 조사의 비용 및 시간 제약으로 인해 반복성이 감소하고 샘플링 변동성을 줄이기에 충분한 샘플들을 수집하는 것이 어려워진다. 또한, 전체 규모 조사와 연관된 프로브들은 혼합 프로토콜과 연관된 흐름에 영향을 미치고 부정확한 데이터를 제공할 수 있다. 전체 규모 조사의 특성은 주어진 혼합 프로토콜의 파라미터들에 따라 다르므로, 전체 규모 조사에는 빈번한 재검증이 필요하다.
본 명세서에 개시된 시스템들 및 방법들은 혼합 프로토콜들에 대한 개선된 개발 흐름을 제공할 수 있다. 예를 들어, 본 명세서에 설명된 시스템들 및 방법들은 혼합 프로토콜들의 높은 처리량 평가(high-throughput evaluation)를 가능하게 하는 예측 모델들의 개발을 허용할 수 있다. 공기-액체 계면 응력, 공기 혼입, 및 혼합 프로토콜과 연관된 가시적 또는 서브-가시적 입자 형성의 위험을 정량화할 수 있는 예측 모델들이 생성될 수 있다.
도 2를 참조하면, 혼합 프로토콜들을 평가하기 위한 예측 모델을 개발하는 방법(200)은 디자인 공간을 매핑하고(201), 실험 설계(DOE) 디자인을 구조화하고(202), 전산유체역학(CFD) 분석을 수행하고(203), 후보 예측 모델들을 구축하고(204) 및/또는 예측들을 평가하는 것(205)을 포함할 수 있다.
디자인 공간을 매핑하는 것(201)은 연구될 혼합 프로토콜 파라미터들을 식별하는 것을 포함할 수 있다. 혼합 프로토콜 파라미터들은 "입력 변수들" 또는 혼합 프로토콜의 결과에 영향을 미치는 조정, 변경, 제어, 및/또는 모니터링될 수 있는 혼합 프로토콜의 양태들을 포함할 수 있다. 혼합 프로토콜 파라미터들의 예에는 임펠러 속도, 배치 크기, 용액 점도, 용액 밀도, 혼합 용기 크기, 혼합 용기 기하학적 형태, 및 혼합 시간이 포함되지만 이에 국한되지는 않는다.
임펠러 속도는 분당 회전수(RPM) 또는 최대 임펠러 속도의 백분율로 정량화될 수 있다. 배치 크기는 혼합 용기 용량의 백분율로 표시되는 혼합 용기 부하의 부피를 의미할 수 있다. 용액 점도 및 용액 밀도는 관심 단백질에 특정한 파라미터들이다. 생산 중에, 혼합 프로토콜을 실행하기 전에 원하는 점도 및 밀도 파라미터들을 달성하기 위해 용액 점도 및 밀도가 조정될 수 있다.
위에 논의된 잠재적 혼합 프로토콜 파라미터들에 더하여, 디자인 공간을 매핑하는 것은 잠재적 혼합 용기 크기와 잠재적 혼합 용기 기하학적 형태를 식별하는 것을 포함할 수 있다. 혼합 용기는 다양한 모양과 크기로 제공될 수 있다. 예를 들어, 혼합 용기는 원통형, 원뿔형, 타원형, 정사각형, 또는 이들의 조합을 포함할 수 있다. 혼합 용기 기하학적 형태의 예들이 도 3a 및 3b에 도시되어 있다. 도 3a에 도시된 혼합 용기(100)는 높이와 폭을 포함하며, 여기서 높이는 폭보다 크다. 도 3b에 도시된 혼합 용기(100)는 높이와 폭을 포함하며, 여기서 폭은 높이보다 크다. 혼합 용기(100)의 높이 대 폭의 비율은 혼합 용기 기하학적 형태의 구성요소이며 혼합 용기(100) 내의 유체 흐름 패턴에 영향을 미칠 수 있다.
혼합 용기(100)는 교반(agitation)을 제공할 수 있는 하나 이상의 메커니즘들을 포함할 수 있다. 예를 들어, 혼합 용기(100)는 혼합 용기 내에 흐름을 제공할 수 있는 하나 이상의 임펠러들(110)을 포함할 수 있다. 도 3a에 도시된 혼합 용기(100)는 혼합 용기(100)의 한쪽 측면에 배치된 하나의 임펠러(110)를 포함한다. 도 3b에 도시된 혼합 용기(100)는 혼합 용기(100)의 대향 측면들에 대칭적으로 배치된 2개의 임펠러들(110)을 포함한다. 추가적으로 또는 대안적으로, 혼합 용기(100) 내의 교반은 동심원으로 장착된 임펠러, 웨이브 백, 로킹 액추에이터, 또는 혼합 용기(100) 내의 용액을 교반하는 다른 수단에 의해 제공될 수 있다.
예시적인 혼합 용기 기하학적 형태들이 도 3a 및 3b에 도시되어 있지만, 이들은 단지 두 가지의 예들일 뿐이다. 일부 실시예들에서, 혼합 용기(100)는 혼합 용기(100) 내의 유체 흐름을 변경하도록 설계된 배플 또는 다른 구조들을 포함할 수 있다. 교반을 제공하기 위한 다른 비율, 구성, 모양, 및 메커니즘들을 포함하는 혼합 용기 기하학적 형태들이 본 명세서에 설명된 시스템들 및 방법들과 함께 사용될 수 있다.
혼합 프로토콜 파라미터들을 식별하는 것 외에도 디자인 공간(201)을 매핑하는 것은 평가 기준을 식별하는 것을 포함할 수도 있다. 평가 기준에는 혼합 프로토콜 파라미터들에 대해 선택된 값들에 따라 달라지는 혼합 프로토콜의 양태들 또는 "출력 변수들"이 포함될 수 있다. 평가 기준의 예들은 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선, 혼합 시간(예: 정상 상태 혼합 시간 또는 과도 혼합 시간), 체류 시간 분포, 윤곽선 전단 변형률, 평균 전단 변형률, 노출 분석, 전력 소비, 압력, 난류 소산율(turbulent dissipation rate), 및 콜모고로프 길이(Kolmogorov length)를 포함할 수 있지만, 이에 제한되지 않는다.
다시 도 2를 참조하면, 혼합 프로토콜들을 평가하기 위한 예측 모델을 개발하는 방법(200)은 DOE 디자인을 구조화하는 것(202)을 포함할 수 있다. 예를 들어, DOE 디자인은 혼합 프로토콜 파라미터들과 평가 기준이 식별된 후에 구조화될 수 있다. 실험 설계(DOE)는 다변량 상호작용(multivariate interactions)의 식별을 가능하게 하는 실험, 시뮬레이션 및/또는 측정을 구조화하는 방법론을 의미한다. DOE는 당 기술분야의 숙련된 사람들에게는 이해되는 것이므로, 추가로 자세히 설명하지 않는다.
혼합 프로토콜들을 평가하기 위한 예측 모델을 개발하는 과정에서 DOE 디자인을 구조화하는 것(202)은 각각의 식별된 혼합 프로토콜 파라미터에 대한 테스트 값들을 선택하고, 혼합 프로토콜 파라미터 테스트 값들의 각각의 세트에 대한 평가 기준을 결정하기 위해 수행되어야 하는 실험, 시뮬레이션 및 측정을 식별하는 것을 포함한다.
예를 들어, 임펠러 속도, 배치 크기, 용액 점도, 및 혼합 용기 크기가 4개의 혼합 프로토콜 파라미터들로 식별되는 경우, DOE 디자인 구조화(202)는 임펠러 속도, 배치 크기, 용액 점도, 및 혼합 용기 크기에 대한 테스트 값들을 선택하는 것을 포함한다. 일부 실시예들에서, 약 10 내지 약 500개의 테스트 값들, 예를 들어 약 30 내지 약 100개의 테스트 값들이 각각의 혼합 프로토콜 파라미터에 대해 선택될 수 있다. 예를 들어 약 10개 미만, 또는 약 100 내지 약 1000개와 같은 다른 개수의 테스트 값들이 각각의 혼합 프로토콜 파라미터에 대해 선택될 수 있다. 후속 CFD 분석의 정확성은 각각의 혼합 프로토콜 파라미터에 대해 선택된 테스트 값들의 양과 상관 관계가 있으며, 일부 혼합 프로토콜 파라미터들에 대해 더 많은 테스트 값들을 선택하는 것이 더 의미 있는 CFD 분석을 제공할 수 있다.
다시 도 2를 참조하면, 혼합 프로토콜들을 평가하기 위한 예측 모델을 개발하는 방법(200)은 전산유체역학(CFD) 분석을 수행하는 것을 포함할 수 있다. 예를 들어, 각각의 식별된 혼합 프로토콜 파라미터에 대한 테스트 값들 이후에 CFD 분석이 수행될 수 있으며, 혼합 프로토콜 파라미터 테스트 값들의 각각의 세트에 대한 평가 기준을 결정하기 위해 수행되어야 하는 실험, 시뮬레이션 및 측정이 식별된다.
CFD 분석은 혼합 용기(100) 내의 유체 흐름을 나타내는 하나 이상의 시뮬레이션들을 포함할 수 있다. 예를 들어, CFD 분석은 정상 흐름 분석, 과도 흐름 분석, 혼합 시간 분석, 및/또는 노출 분석을 포함할 수 있다. 특히, 과도 흐름 분석은 정지 상태에서 정상 상태 속도까지의 가속 시간을 평가하고, 프로딩(frothing), 포밍(foaming), 또는 슬로싱(sloshing)에 대한 가능성을 평가하고, 표면 변형을 정량화(예를 들어, 응집체 형성 위험 평가의 일부로서)하는 데 도움이 될 수 있다.
CFD 분석은, 이에 제한되는 것은 아니지만 보존 법칙, 나이버-스토크스 방정식, 오일러 방정식, 베르누이 방정식, 압축 파동 방정식, 경계층 방정식, 최적화된 흐름, 포텐셜 흐름, 덕트 흐름, 소용돌이 형성, 와류 형성, 및 난류 형성을 포함하는 유체 흐름 모델들에 대한 수학적 솔루션을 기반으로 할 수 있다. CFD 분석은 예를 들어 Star CCM, OpenFoam, Simulia, 및 Ansys Workbench 시스템들을 포함하는 프로그램들과 같은 CFD 분석 소프트웨어를 실행하는 컴퓨터 시스템에 의해 수행될 수 있다.
본 개시에 있어서, 혼합 용기 기하학적 형태가 평가 기준에 어떻게 영향을 미치는지 결정하기 위해 분석 소프트웨어를 동작시키는 컴퓨터 시스템에 하나 이상의 혼합 용기 기하학적 형태가 프로그래밍될 수 있다. 예를 들어, 혼합 용기(100)의 치수 및 형상은 교반을 유발하기 위한 메커니즘(예를 들어 임펠러(110))의 크기, 형상 및 배치에 더하여 위에서 논의된 다양한 흐름 시뮬레이션들의 프레임을 구성하도록 모델링될 수 있다.
CFD 분석 결과들은 벡터 맵, 유선 맵, 변형률 윤곽선 맵, 변형 히스토그램, 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선, 정상 상태 혼합 시간, 과도 혼합 시간, 체류 시간 분포, 윤곽선 전단 변형률, 평균 전단 변형률, 노출 분석, 전력 소비, 압력, 난류 소산율, 및/또는 콜모고로프 길이를 포함할 수 있다.
도 4a는 CFD 분석의 결과로 생성된 예시적인 벡터 맵을 보여준다. 벡터 맵은 복수의 벡터들(310)을 포함한다. 각각의 벡터(310)의 방향은 벡터 위치에서의 유체 흐름의 방향을 나타내고, 벡터의 크기는 벡터 위치에서의 유체 흐름의 속도를 나타낸다. 도 4b는 CFD 분석의 결과로 생성된 유선 맵을 보여준다. 유선 맵은 복수의 유선들(320)을 포함한다. 각각의 유선은 흐름의 속도 벡터에 접하는 곡선을 나타내며 유체 요소들이 정상 상태에서 이동하는 위치를 나타낸다.
벡터 맵들과 유선 맵들은 혼합 프로토콜의 효능에 영향을 미칠 수 있는 정체 영역, 와류, 또는 다른 흐름 구조들을 결정하기 위해 검토될 수 있다. 벡터 맵, 유선 맵, 또는 양쪽 모두를 사용하여 상이한 혼합 프로토콜 파라미터들(예: 상이한 혼합 용기 기하학적 형태들)을 정성적으로 비교할 수 있다.
도 4c는 흑백으로 표시된 변형률 윤곽선 맵을 도시한다. 실제로, 변형률 윤곽선 맵의 상이한 영역들은 상이한 색상들로 표시될 수 있다. 표 1은 레이블 지정된 영역들 331-336과 연관된 대략적인 변형률들과 도 4c 및 표 1에 표시된 변형률들의 빈을 나타내는 데 사용될 수 있는 예시적인 색상들을 보여준다.
표 1 - 도 4c의 영역들과 연관된 변형률들의 범위
표 1에 표시된 변형률들의 빈들은 하나의 예이다. 변형률들의 그룹화 및 분포들은 CFD 분석 중에 관찰된 변형률들의 범위에 따라 변경될 수 있다. 변형 히스토그램, 평균 변형률, 및 피크 변형과 같은 평가 기준은 변형률 윤곽선 맵으로부터 결정될 수 있다. 높은 수준의 변형을 겪는 혼합 용기의 영역들을 결정하기 위해 변형률 윤곽선 맵이 분석될 수 있다.
이전에 설명된 바와 같이, 혼합 프로토콜들의 정량적 및 정성적 평가에 대한 기준(예: 평가 기준)은 CFD 분석에 의해 결정될 수 있다. CFD 분석에 의해 결정된 평가 기준은 혼합 프로토콜 파라미터들에 대한 테스트 값들의 세트에 대응한다. 혼합 프로토콜의 전체 유용성 및/또는 효능에 대한 혼합 프로토콜 파라미터들의 변화 효과를 평가하기 위해 평가 기준 및 대응하는 혼합 프로토콜 파라미터들의 관계가 사용될 수 있다.
다시 도 2를 참조하면, 혼합 프로토콜들을 평가하기 위한 예측 모델을 개발하는 방법(200)은 후보 예측 모델들을 구축하는 것(204)을 포함할 수 있다. 예를 들어, 혼합 프로토콜 파라미터들의 대응하는 테스트 값들에 대한 평가 기준이 결정된 후에 후보 예측 모델들이 구축될 수 있다. 각각의 식별된 평가 기준에 대해, 하나 이상의 후보 예측 모델들이 선택될 수 있다.
도 5는 평가 기준에 대한 잠재적 예측 모델들을 개발하고 순위를 매기는 예시적인 방법을 보여준다. 잠재적 예측 모델들을 개발하고 순위를 매기는 방법은 적용 가능한 모델들의 도메인을 개발하고(단계 401), 공선성 임계값보다 크거나 같은 분산 팽창 인자를 갖는 모델들 및 중복 모델들을 제거하고(단계 402), 후보 모델들의 풀을 식별하고(단계 403), 복잡성과 상관관계에 기초하여 후보 모델들에 순위를 매기는 것(단계 404)을 포함할 수 있다. 잠재적 예측 모델들을 개발하고 순위를 매기는 방법은 각 평가 기준에 대한 후보 예측 모델들의 순위가 매겨진 풀을 생성하기 위해 DOE 디자인에서 식별된 각각의 평가 기준에 적용될 수 있다.
잠재적 예측 모델들을 개발하고 순위를 매기는 것은 식별된 혼합 프로토콜 파라미터들에 기초하여 주어진 평가 기준에 대해 적용 가능한 모델들의 도메인을 개발하는 것을 포함한다. 여기서, 모델은 혼합 프로토콜 파라미터들에 대한 평가 기준과 관련된 대수적 표현을 나타낸다. 적용 가능한 모델들의 도메인을 개발할 때 혼합 프로토콜 파라미터들 간의 단일 변량, 이변량, 삼변량, 및 기타 다변량 상호작용들이 고려된다. 예를 들어, 곱, 몫, 지수, 및 혼합 프로토콜 파라미터들의 다른 다변량 관계들이 고려될 수 있다. 적용 가능한 모델들의 도메인은 알려진 기계적 또는 경험적 관계들을 포함할 수 있다. 일부 실시예들에서, 적용 가능한 모델들의 도메인은 예를 들어 50,000개 이상의 잠재적 예측 모델들과 같이 수만 개의 모델들을 포함한다.
모델들의 도메인이 개발된 후, 중복 파라미터들이 있는 모델들은 제거될 수 있다. 예를 들어, 혼합 프로토콜 파라미터들에 대한 평가 기준과 관련하는 대수적 표현들을 개발할 때 동등한 표현들이 생성될 수 있다. 이러한 동등한 표현들은 기능적으로 도메인으로부터 제거될 수 있는 중복들일 수 있다. 각각의 나머지 모델의 분산 팽창 인자(VIF)가 계산될 수 있으며 공선성 임계값보다 크거나 같은 VIF를 갖는 모델들이 도메인으로부터 제거될 수 있다. 일부 실시예들에서, 공선성 임계값은 4개 이하, 예를 들어 2개, 3개 또는 4개이다. 중복 파라미터들을 갖는 모델들 및 공선성 임계값보다 크거나 같은 VIF를 갖는 모델들이 제거된 후, 나머지 모델들의 서브세트에는 수백 개의 모델들이 포함될 수 있다. 예를 들어, 나머지 모델들의 서브세트에는 500개 이하의 모델들이 포함될 수 있다.
후보 예측 모델들의 풀은 나머지 모델들의 서브세트로부터 식별될 수 있다. 예를 들어, 후보 예측 모델들의 풀에는 단변량 모델, 이변량 모델, 및 삼변량 모델이 포함될 수 있다. 후보 예측 모델 풀로부터의 각 후보 예측 모델은 약 0.70보다 크거나 같은 R2 값을 가질 수 있다. 일부 실시예들에서, 후보 예측 모델 풀로부터의 각 후보 예측 모델은 대략 다음의 값들보다 크거나 같을 수 있는 R2 값을 가질 수 있다: 0.60, 0.70, 0.75, 0.80, 0.85, 0.9, 또는 0.95. 일부 실시예들에서, 후보 예측 모델들의 풀은 가장 큰 R2 값을 갖는 단변량 모델, 가장 큰 R2 값을 갖는 이변량 모델, 및 가장 큰 R2 값을 갖는 삼변량 모델을 포함한다. 후보 예측 모델들의 풀이 식별된 후, 후보 예측 모델들은 복잡성과 상관관계에 따라 순위가 매겨질 수 있다. 예를 들어, CFD 분석으로부터 얻어진 데이터에 대해 더 높은 상관관계(예: 더 높은 R2 값)를 갖는 예측 모델들은 상관관계에 따라 더 높게 순위가 매겨질 수 있으고, 더 적은 복잡성(예: 더 적은 항들(fewer terms))을 갖는 예측 모델들은 더 포지티브한 복잡성 순위를 가질 수 있다. CFD 분석 결과들에 대한 잠재적 예측 모델들의 상관관계를 평가하는 추가 예들이 아래의 예시적인 섹션에 설명되어 있다. 이러한 두 가지의 순위 매김들은 결합될 수 있으며 그에 따라 가장 낮은 복잡성(예: 더 적은 항들)을 가지며 CFD 분석으로부터 얻어진 데이터에 대해 더 높은 상관관계(예: 더 높은 R2 값)를 갖는 예측 모델들은 더 낮은 R2 값들 및/또는 더한 복잡성을 갖는 예측 모델들보다 더 높게 순위가 매겨질 수 있다.
예측 모델들이 복잡성과 상관관계에 따라 순위가 매겨진 후, 원하는 복잡성과 상관관계 속성들에 따라 예측 모델이 선택될 수 있다. 선택된 예측 모델은 다른 혼합 프로토콜 파라미터 테스트 값들 또는 혼합 프로토콜 유형들에 대해 추가로 연구될 수 있다.
다시 도 2를 참조하면, 혼합 프로토콜들을 평가하기 위한 예측 모델을 개발하는 방법(200)은 예측을 평가하는 것을 포함할 수 있다. 후보 예측 모델들은 예측된 평가 기준을 생성하기 위해 증가된 범위의 혼합 프로토콜 파라미터 테스트 값들에 대해 테스트될 수 있다.
예측된 평가 기준은 선택된 예측 모델을 검증하기 위해 전체 규모 조사 또는 CFD 분석과 비교될 수 있다. 예측 모델이 평가 기준 및 일련의 혼합 프로토콜 파라미터들에 대해 검증되면, 해당 모델을 사용하여 수천 개의 혼합 프로토콜들을 높은 처리량 방식으로 평가할 수 있다. 혼합 프로토콜들이 예측 모델로 평가될 수 있는 속도는 최적의 혼합 프로토콜 파라미터 조건들에 대한 해결을 가능하게 할 수 있다.
추가적으로 또는 대안적으로, 문헌으로부터 알려진 기계적 또는 경험적 관계들이 후보 예측 모델들과 비교될 수도 있다. 알려진 또는 경험적 관계로부터 항을 추가함으로써 후보 예측 모델들의 상관관계가 개선되면, 해당 항이 후보 예측 모델에 통합될 수 있다.
더 많은 예측 모델들이 생성되고 CFD 분석 데이터 라이브러리가 커짐에 따라, 각각의 식별된 평가 기준에 대해 더 정확한 예측 모델이 생성된다. 모든 혼합 프로토콜 파라미터들에 대한 모든 평가 기준은 전술한 높은 처리량 방식으로 평가될 수 있으며 어떤 혼합 프로토콜 파라미터들이 충분한 평가 기준을 제공하는지 결정할 수 있다.
바람직하게, 혼합 프로토콜들을 평가하는 높은 처리량 방식은 바이오의약품 생산에사용하기에 적합한 혼합 프로토콜들을 식별하는 데 상당한 시간을 절약할 수 있다.
예들
예 1
혼합 시간(blend time)을 평가 기준으로 하고 혼합 프로토콜 파라미터들(mixing protocol parameters)로 식별된 배치 크기, 임펠러 속도, 및 용액 점도를 사용하여 CFD 혼합 시간 분석을 수행했다. 후보 예측 모델이 식별되었으며 방정식 1로 기술된다:
Tblend = c1 + c2X1 + c3X3 + c4X2X3 방정식 (1)
여기서, Tblend 은 혼합 시간, X1 은 배치 크기, X2 는 임펠러 속도, X3 는 용액 점도이고, c1, c2, c3, 및 c4 는 상수들이다. 혼합 프로토콜 파라미터들의 테스트 값들에 대해 CFD에 의해 결정된 Tblend가 방정식 1에 의해 결정된 Tblend에 대해 플롯팅되어 도 6에 도시된다. 1:1 상관의 선과 1:1 상관의 선의 주변 영역이 또한 도 6에 도시되고 CFD 분석 결과에 대한 예측 모델의 상관 관계를 보여준다. 예측 모델은 Flickinger 및 Nienow, Scale-Up, Stirred Tank Reactors, Encyclopedia of Industrial Biotechnology(2010)에서 알려진 관계들보다 CFD 분석에 대해 더 나은 상관 관계를 갖는 것으로 밝혀졌다.
예 2
평균 변형률(average strain rate)을 평가 기준으로 하고 혼합 프로토콜 파라미터들로 식별된 배치 크기, 임펠러 속도, 및 용액 점도를 사용하여 CFD 변형 윤곽선 분석(CFD strain contour analysis)이 수행되었다. 후보 예측 모델이 식별되었으며 방정식 2로 기술된다:
방정식 (2)
여기서, γmean은 평균 변형률, X1 배치 크기, X2 는 임펠러 속도, c1, c2, 및 c3, 는 상수들이다. 혼합 프로토콜 파라미터들의 테스트 값들에 대해 CFD에 의해 결정된 γmean이 방정식 2에 의해 결정된 γmean에 대해 플롯팅되어 도 7에 도시된다. 1:1 상관의 선과 1:1 상관의 선의 주변 영역이 또한 도 7에 도시되고 CFD 분석 결과에 대한 예측 모델의 상관 관계를 보여준다. 예측 모델의 상관관계는 Ladner et al., CFD Supported Investigation of Shear Induced by Bottom-Mounted Magnetic Stirrer in Monoclonal Antibody Formulation, Pharm. Res. 35(11)(215, 2018년 9월 25일)에 설명된 관계들에 기초하여 항을 추가하여 개선되었다.
예 3
변형률 히스토그램이 CFD 분석을 통해 생성될 수 있다. 그러나, 테스트 값들의 하나의 조합에 대한 변형률 히스토그램을 생성하는 데는 시간이 많이 걸린다. 보다 효율적인 방법론은 누적 변형을 설명하는 예측 모델을 생성하고 그 예측 모델을 기반으로 변형률 히스토그램을 플롯팅하는 것을 포함할 수 있다. 예측 모델을 사용하여 생성된 변형률 히스토그램의 예가 도 8에 도시된다.
도 8을 참조하면, 변형률에 대한 예측 모델(방정식 2)에 따라 변형률 히스토그램에 대한 포인트들(예: t = 20, t = 40, t = 60, t = 75, t = 80, 및 t = 90에 대한 포인트들)이 생성되었다. 도 8에 도시된 것처럼 포인트들이 히스토그램에 플롯팅되었다. 히스토그램으로 설명되는 누적 변형은 기존의 전통적인 CFD 기반 노출 분석보다 더 빠르게, 더 적은 노동력으로 생성될 수 있다.
예 4
이론에 의한 제한 없이, 가시적 및 서브-가시적(sub-visible) 입자 형성의 가능한 메커니즘이 도 9a-9c에 도시된다. 개별 단백질(702)(예: 숙주 세포 단백질, 관심 단백질 등)은 혼합 용기(100) 내의 용액(700)에 존재할 수 있다. 도 9a에 도시된 바와 같이, 용액(700)의 표면(710)에는 초기에 단백질 응집체(712)가 없을 수 있다.
단백질(702)은 공기-액체 경계면(예를 들어, 표면(710))에서 흡착될 때 표면 장력에 반응하여 변형될 수 있다. 변형 시, 단백질(702)의 하전된 영역들이 노출될 수 있다. 노출된 전하 영역들은 열역학적 환경으로 인해 응집될 수 있다. 응집된 단백질들은 도 9b에 도시된 바와 같이 표면(710)에서 네트워크(712)를 형성할 수 있다. 용액(700)의 표면(710)이 교란되면(예를 들어, 혼합 프로토콜로 인해) 네트워크(712)는 부서질 수 있고 부서진 네트워크(712)의 조각들이 용액(700)의 벌크 내로 유입될 수 있다.
부서진 네트워크의 조각들은 다른 단백질들(702)과 응집하여 더 큰 네트워크(712)를 형성할 수 있으며, 이는 다시 부서져서 용액(700)의 벌크 내로 유입될 것이다. 단백질 네트워크의 조각들이 충분한 크기에 도달하면, 이들은 도 9c에 도시된 바와 같이 용액(700) 내에서 큰 응집체(720)로 검출된다. 큰 응집체(720)는 가시적인 입자들로 나타날 수 있으며 용액(700)을 흐리게 할 수 있다.
입자 형성의 위험을 해결하는 기존의 전통적 수단은 유체역학적 전단(hydrodynamic shear) 연구에 의존한다. 그러나, 유체역학적 전단은 단백질 응집체 형성을 설명하지 못하며 전단 기반 스케일 테스트는 모든 생산 스케일 평가 기준을 예측하지 못한다. 입자 형성의 위험은, 입자 형성의 영향을 정량화하는 데 있어서의 어려움, 필터 성능의 변화, 용액 내 가시적 및 서브-가시적 입자들의 장기적인 거동에 대한 이해 부족으로 인해, 혼합 프로토콜 개발에 계속적으로 장애물이 되고 있다.
공기-액체 경계면에서의 응력이 응집체 형성의 주요 요인일 가능성이 높다. 공기 혼입(air entrainment)도 또한 응집체 형성에 기여한다. 응집체 형성에 공기 혼입이 관여한다는 것은 표면 장력 및 자유 에너지 추정치와 원자력 현미경 관찰을 통해 뒷받침된다. 고체-액체 계면 응력, 캐비테이션, 핵형성, 및 열 응력은 응집체 형성에 이차적으로 기여할 수 있다.
입자 형성 위험을 더 잘 정량화하기 위해, 혼합 프로토콜 파라미터들의 함수로서 입자 형성의 위험을 설명하는 본 명세서에 설명된 실시예들에 따른 예측 모델이 개발될 수 있다. 가능한 혼합 프로토콜 파라미터들은 응집 단백질의 특성, 용액의 부형제 프로파일, 및 환경 요인들(예: 온도, 압력 등)을 포함한다.
CFD 분석은 수직 속도 윤곽선(vertical velocity contours)과 부피 평균 속도(volume-averaged velocity)를 결정할 수 있다. 도 10a는 CFD에 의해 결정된 수직 속도 윤곽선의 예를 보여준다. 도 10b는 CFD에 의해 결정된 부피 평균 속도의 예를 보여준다. 여기에서, 부피 평균 속도는 액체 표면 근처의 부피에서 공간적으로 평균화된 유체 속도를 나타낸다.
이전에 설명한 변형률 윤곽선 맵(도 4c)과 유사하게, 실제로, 수직 속도 윤곽선 맵과 부피 평균 속도의 상이한 영역들이 해당 영역의 속도에 따라 할당된 상이한 색상들로 표시될 수 있다. 표 2는 도 10a에 도시된 가변 수직 속도의 영역들 및 도 10b에 도시된 가변 부피 평균 수직 속도의 영역들을 나타내는 데 사용될 수 있는 예시적인 색상들을 보여준다.
표 2 - 도 10a 및 도 10b의 영역들과 연관된 예시적인 색상들
CFD에 의해 결정된 수직 속도 윤곽선들은 위치의 함수로서 수직 속도의 상대적 차이들 사이의 관계를 설명하기 위해 혼합 용기에서의 그들의 위치에 대해 플롯팅될 수 있다. 예를 들어, CFD 분석은 혼합 용기의 각각의 계산 셀에 대한 수직 속도 값을 결정할 수 있다. 수직 속도는 도 11에 도시된 것처럼 혼합 용기 중심으로부터 반경을 따라 선형 변위에 대해 플롯팅될 수 있다. 각각의 측정값(801)은 혼합 용기의 반경을 따른 위치 및 수직 속도를 갖는 계산 셀에 대응한다. 가중 평균(820)은 개별 측정값들(801)로부터 결정될 수 있으며, 여기서 각 측정값(801)에 할당된 가중치는 해당 측정값(801)에 대응하는 계산 셀의 부피와 상관된다.
응집체 형성 위험을 평가하기 위한 예측 모델은 앞서 언급한 기술들을 사용하여 개발될 수 있다. 예를 들어, 응집 단백질의 특성, 용액의 부형제 프로파일, 환경 요인들과 응집체 형성 사이의 관계는 CFD에 의해 결정된 수직 속도 윤곽선들 또는 부피 평균 속도를 사용하여 결정될 수 있다.
본 개시는 또한 다음의 비제한적인 항목들에 의해 설명된다.
항목 1. 예측 모델을 개발하는 방법으로서, 상기 방법은:
a) 예측 모델에 대한 혼합 프로토콜 파라미터들을 식별하는 단계;
b) 혼합 프로토콜 파라미터들에 대한 테스트 값들을 선택하는 단계;
c) 테스트 값들의 각 조합에 대해 전산유체역학(CFD) 시뮬레이션을 수행하는 단계;
d) 혼합 프로토콜 파라미터들과 관련된 잠재적 예측 모델들의 도메인을 생성하는 단계; 및
혼합 프로토콜 파라미터들과 관련된 잠재적 예측 모델들의 도메인에 순위를 매기는 단계를 포함한다.
항목 2. 항목 1의 방법은:
단계 (a) 후에 예측 모델에 대한 평가 기준을 식별하는 단계;
단계 (b) 후에 평가 기준을 생성하기 위해 수행되어야 하는 CFD 시뮬레이션을 식별하는 단계;
단계 (d) 후에 잠재적 예측 모델들의 도메인으로부터 후보 예측 모델들의 풀을 식별하는 단계; 및
후보 예측 모델들의 풀에 순위를 매기는 단계를 더 포함한다.
항목 3. 항목 1 또는 항목 2 중 어느 하나의 방법에서, 혼합 프로토콜 파라미터들은 임펠러 속도, 배치 크기, 용액 점도, 용액 밀도, 혼합 용기 크기, 및 혼합 용기 기하학적 형태 중 2개 이상을 포함한다.
항목 4. 항목 1의 방법에서, 평가 기준은: 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선, 정상 상태 혼합 시간, 과도 혼합 시간, 체류 시간 분포, 윤곽선 전단 변형률, 평균 전단 변형률, 노출 분석, 및 전력 소비 중 2개 이상을 포함한다.
항목 5. 항목 2 또는 항목 4 중 어느 하나의 방법에서, 식별된 CFD 시뮬레이션은 정상 흐름 분석, 과도 흐름 분석, 혼합 시간 분석, 및/또는 노출 분석을 포함한다.
항목 6. 항목 2의 방법은, 잠재적 예측 모델들의 도메인을 생성한 후, 후보 예측 모델들의 풀을 식별하기 전에:
잠재적 예측 모델들의 도메인에서 각각의 잠재적 예측 모델에 대한 분산 팽창 인자를 계산하는 단계; 및
공선성 임계값(collinearity threshold)보다 크거나 같은 분산 팽창 인자를 갖는 잠재적 예측 모델들을 잠재적 예측 모델들의 도메인으로부터 제거하여 잠재적 예측 모델들의 서브세트를 생성하는 단계를 더 포함한다.
항목 7. 항목 6의 방법에서, 후보 예측 모델들의 풀은 상기 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 서브세트로부터의 단변량 모델, 및 상기 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 서브세트로부터의 이변량 모델을 포함한다.
항목 8. 항목 2의 방법에서, 후보 예측 모델들의 풀에 순위를 매기는 단계는 항들(terms)의 수에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, R2 값에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, 또는 둘 다를 포함한다.
항목 9. 항목 1 내지 항목 8 중 어느 하나의 방법에서, 테스트 값들은 제1 테스트 값들이고, 방법은:
후보 예측 모델 풀로부터의 후보 예측 모델들을 사용하여, 제2 테스트 값들의 조합에 대응하는 평가 기준의 추정값을 생성하는 단계를 더 포함한다.
항목 10. 항목 9의 방법에서, 방법은:
제2 테스트 값들의 조합에 대응하는 평가 기준을 생성하기 위해 제2 테스트 값들의 조합에 대한 CFD 시뮬레이션을 수행하는 단계; 및
제2 테스트 값들의 조합에 대응하는 평가 기준과 제2 테스트 값들의 조합에 대응하는 평가 기준의 추정값을 비교하는 단계를 더 포함한다.
항목 11. 예측 모델들을 개발하는 방법으로서, 상기 방법은:
예측 모델들에 대한 제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 식별하는 단계;
예측 모델들에 대한 제1 및 제2 평가 기준을 식별하는 단계;
제1 혼합 프로토콜 파라미터에 대한 제1 테스트 값들을 선택하는 단계;
제2 혼합 프로토콜 파라미터에 대한 제2 테스트 값들을 선택하는 단계;
제3 혼합 프로토콜 파라미터에 대한 제3 테스트 값들을 선택하는 단계;
제1 평가 기준을 생성하기 위해 수행되어야 하는 제1 전산유체역학(CFD) 시뮬레이션을 식별하는 단계;
제2 평가 기준을 생성하기 위해 수행되어야 하는 제2 CFD 시뮬레이션을 식별하는 단계;
제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대해 제1 CFD 시뮬레이션을 수행함으로써 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대응하는 제1 평가 기준을 생성하는 단계;
제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대해 제2 CFD 시뮬레이션을 수행함으로써 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대응하는 제2 평가 기준을 생성하는 단계;
제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 제1 평가 기준에 관련시키는 제1 예측 모델들의 제1 도메인을 생성하는 단계; 및
제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 제2 평가 기준에 관련시키는 제2 예측 모델들의 제2 도메인을 생성하는 단계를 포함한다.
항목 12. 항목 11의 방법은:
각각의 제1 예측 모델 및 각각의 제2 예측 모델에 대한 분산 팽창 인자를 계산하는 단계;
3 이상의 분산 팽창 인자를 갖는 제1 예측 모델들의 제1 도메인으로부터 제1 예측 모델들을 제거하여 제1 예측 모델들의 제1 서브세트를 생성하는 단계;
3 이상의 분산 팽창 인자를 갖는 제2 예측 모델들의 제2 도메인으로부터 제2 예측 모델들을 제거하여 제1 예측 모델들의 제1 서브세트를 생성하는 단계;
제1 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 단변량 모델, 제1 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 이변량 모델, 및 제1 서브세트의 모든 다른 삼변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 삼변량 모델을 포함하는 후보 제1 예측 모델들의 제1 풀을 식별하는 단계; 및
제2 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 단변량 모델, 제2 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 이변량 모델, 및 제2 서브세트의 모든 다른 삼변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 삼변량 모델을 포함하는 후보 제2 예측 모델들의 제2 풀을 식별하는 단계를 더 포함한다.
항목 13. 항목 12의 방법은:
제1 혼합 프로토콜 파라미터에 대한 제4 테스트 값들을 선택하는 단계;
제2 혼합 프로토콜 파라미터에 대한 제5 테스트 값들을 선택하는 단계;
제3 혼합 프로토콜 파라미터에 대한 제6 테스트 값들을 선택하는 단계;
후보 제1 예측 모델들의 제1 풀의 각 후보 제1 예측 모델을 사용하여 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 추정된 제1 평가 기준을 생성하는 단계;
제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대해 제1 CFD 시뮬레이션을 수행함으로써 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준을 생성하는 단계; 및
후보 제1 예측 모델들의 제1 풀의 각 후보 제1 예측 모델에 의해 생성된 추정된 제1 평가 기준을, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준과 비교하는 단계를 더 포함한다.
항목 14. 항목 13의 방법은:
후보 제2 예측 모델들의 제2 풀의 각 후보 제2 예측 모델을 사용하여 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 추정된 제2 평가 기준을 생성하는 단계;
제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대해 제2 CFD 시뮬레이션을 수행함으로써 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제2 평가 기준을 생성하는 단계; 및
후보 제2 예측 모델들의 제2 풀의 각 후보 제2 예측 모델에 의해 생성된 추정된 제2 평가 기준을, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제2 평가 기준과 비교하는 단계를 더 포함한다.
항목 15. 항목 14의 방법은:
추정된 제1 평가 기준과 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준의 비교에 기초하여, 후보 제1 예측 모델들의 제1 풀로부터 제1 예측 모델을 선택하는 단계;
추정된 제1 평가 기준과 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준의 비교에 기초하여, 후보 제2 예측 모델들의 제2 풀로부터 제2 예측 모델을 선택하는 단계;
제1 예측 모델을 사용하여 혼합 프로토콜에 대응하는 제1 평가 기준을 결정하는 단계; 및
제2 예측 모델을 사용하여 혼합 프로토콜에 대응하는 제2 평가 기준을 결정하는 단계를 더 포함한다.
항목 16. 항목 9의 방법에서, 제1 및 제2 평가 기준은: 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선, 정상 상태 혼합 시간, 과도 혼합 시간, 체류 시간 분포, 윤곽선 전단 변형률, 평균 전단 변형률, 노출 분석, 및 전력 소비를 포함하는 리스트로부터 선택된다.
항목 17. 혼합 프로토콜과 연관된 전단 변형을 모델링하는 방법으로서, 상기 방법은:
예측 모델에 대한 혼합 프로토콜 파라미터들을 식별하는 단계;
혼합 프로토콜 파라미터들에 대한 테스트 값들을 선택하는 단계;
테스트 값들의 각 조합에 대해 전산유체역학 노출 분석을 수행하여 테스트 값들의 각 조합에 대응하는 전단 변형을 생성하는 단계;
후보 예측 모델들의 풀을 식별하는 단계;
후보 예측 모델들의 풀에 순위를 매기는 단계;
후보 예측 모델들의 풀로부터 예측 모델을 선택하는 단계; 및
예측 모델을 사용하여 복수의 시간 간격들로 혼합 프로토콜의 누적 전단 변형을 평가하여 전단 변형 히스토그램 데이터를 생성하는 단계를 포함한다.
항목 18. 항목 17의 방법에서, 혼합 프로토콜 파라미터들은 임펠러 속도, 배치 크기, 용액 점도, 용액 밀도, 혼합 용기 크기, 및 혼합 용기 기하학적 형태 중 2개 이상을 포함한다.
항목 19. 항목 17의 방법에서, 혼합 프로토콜은 생물 반응기 내의 바이오의약품과 연관된 혼합 프로토콜이다.
항목 20. 항목 17의 방법은 전단 변형 히스토그램 데이터를 사용하여 가시적 또는 서브-가시적 입자 형성의 위험을 평가하는 단계를 더 포함한다.
항목 21. 항목 17의 방법에서, 후보 예측 모델들의 풀에 순위를 매기는 단계는 항들의 수에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, R2 값에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, 또는 둘 다를 포함하고,
후보 예측 모델들의 풀로부터 예측 모델을 선택하는 단계는 가장 높은 R2 값을 갖는 모델을 선택하는 것을 포함한다.
당업자는 본 개시의 기초가 되는 개념이 본 개시의 여러 목적들을 수행하기 위한 다른 방법들 및 시스템들을 설계하기 위한 기초로서 쉽게 사용될 수 있음을 이해할 것이다. 따라서, 청구범위는 전술한 설명에 의해 제한되는 것으로 간주되어서는 안 된다.

Claims (21)

  1. 예측 모델을 개발하는 방법에 있어서:
    a) 예측 모델에 대한 혼합 프로토콜 파라미터들을 식별하는 단계;
    b) 혼합 프로토콜 파라미터들에 대한 테스트 값들을 선택하는 단계;
    c) 테스트 값들의 각 조합에 대해 전산유체역학(CFD) 시뮬레이션을 수행하는 단계;
    d) 혼합 프로토콜 파라미터들과 관련된 잠재적 예측 모델들의 도메인을 생성하는 단계; 및
    e) 혼합 프로토콜 파라미터들과 관련된 잠재적 예측 모델들의 도메인에 순위를 매기는 단계를 포함하는, 예측 모델을 개발하는 방법.
  2. 제1항에 있어서,
    단계 (a) 후에 예측 모델에 대한 평가 기준을 식별하는 단계;
    단계 (b) 후에 평가 기준을 생성하기 위해 수행되어야 하는 CFD 시뮬레이션을 식별하는 단계;
    단계 (d) 후에 잠재적 예측 모델들의 도메인으로부터 후보 예측 모델들의 풀을 식별하는 단계; 및
    후보 예측 모델들의 풀에 순위를 매기는 단계를 더 포함하는, 예측 모델을 개발하는 방법.
  3. 제1항 또는 제2항에 있어서, 상기 혼합 프로토콜 파라미터들은 임펠러 속도, 배치 크기, 용액 점도, 용액 밀도, 혼합 용기 크기, 및 혼합 용기 기하학적 형태 중 2개 이상을 포함하는, 예측 모델을 개발하는 방법.
  4. 제2항에 있어서, 상기 평가 기준은: 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선, 정상 상태 혼합 시간, 과도 혼합 시간, 체류 시간 분포, 윤곽선 전단 변형률, 평균 전단 변형률, 노출 분석, 및 전력 소비 중 2개 이상을 포함하는, 예측 모델을 개발하는 방법.
  5. 제2항 또는 제4항에 있어서, 식별된 CFD 시뮬레이션은 정상 흐름 분석, 과도 흐름 분석, 혼합 시간 분석, 및/또는 노출 분석을 포함하는, 예측 모델을 개발하는 방법.
  6. 제2항에 있어서, 잠재적 예측 모델들의 도메인을 생성한 후, 후보 예측 모델들의 풀을 식별하기 전에:
    잠재적 예측 모델들의 도메인에서 각각의 잠재적 예측 모델에 대한 분산 팽창 인자를 계산하는 단계; 및
    공선성 임계값(collinearity threshold)보다 크거나 같은 분산 팽창 인자를 갖는 잠재적 예측 모델들을 잠재적 예측 모델들의 도메인으로부터 제거하여 잠재적 예측 모델들의 서브세트를 생성하는 단계를 더 포함하는, 예측 모델을 개발하는 방법.
  7. 제6항에 있어서, 상기 후보 예측 모델들의 풀은 상기 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 서브세트로부터의 단변량 모델, 및 상기 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 서브세트로부터의 이변량 모델을 포함하는, 예측 모델을 개발하는 방법.
  8. 제2항에 있어서, 상기 후보 예측 모델들의 풀에 순위를 매기는 단계는 항들(terms)의 수에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, R2 값에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, 또는 둘 다를 포함하는, 예측 모델을 개발하는 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 테스트 값들은 제1 테스트 값들이고, 상기 방법은:
    후보 예측 모델 풀로부터의 후보 예측 모델을 사용하여, 제2 테스트 값들의 조합에 대응하는 평가 기준의 추정값을 생성하는 단계를 더 포함하는, 예측 모델을 개발하는 방법.
  10. 제9항에 있어서,
    제2 테스트 값들의 조합에 대응하는 평가 기준을 생성하기 위해 제2 테스트 값들의 조합에 대한 CFD 시뮬레이션을 수행하는 단계; 및
    제2 테스트 값들의 조합에 대응하는 평가 기준과 제2 테스트 값들의 조합에 대응하는 평가 기준의 추정값을 비교하는 단계를 더 포함하는, 예측 모델을 개발하는 방법.
  11. 예측 모델들을 개발하는 방법에 있어서:
    예측 모델들에 대한 제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 식별하는 단계;
    예측 모델들에 대한 제1 및 제2 평가 기준을 식별하는 단계;
    제1 혼합 프로토콜 파라미터에 대한 제1 테스트 값들을 선택하는 단계;
    제2 혼합 프로토콜 파라미터에 대한 제2 테스트 값들을 선택하는 단계;
    제3 혼합 프로토콜 파라미터에 대한 제3 테스트 값들을 선택하는 단계;
    제1 평가 기준을 생성하기 위해 수행되어야 하는 제1 전산유체역학(CFD) 시뮬레이션을 식별하는 단계;
    제2 평가 기준을 생성하기 위해 수행되어야 하는 제2 CFD 시뮬레이션을 식별하는 단계;
    제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대해 제1 CFD 시뮬레이션을 수행함으로써 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대응하는 제1 평가 기준을 생성하는 단계;
    제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대해 제2 CFD 시뮬레이션을 수행함으로써 제1 테스트 값들, 제2 값들, 및 제3 테스트 값들의 각 조합에 대응하는 제2 평가 기준을 생성하는 단계;
    제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 제1 평가 기준에 관련시키는 제1 예측 모델들의 제1 도메인을 생성하는 단계; 및
    제1, 제2, 및 제3 혼합 프로토콜 파라미터들을 제2 평가 기준에 관련시키는 제2 예측 모델들의 제2 도메인을 생성하는 단계를 포함하는, 예측 모델들을 개발하는 방법.
  12. 제11항에 있어서,
    각각의 제1 예측 모델 및 각각의 제2 예측 모델에 대한 분산 팽창 인자를 계산하는 단계;
    3 이상의 분산 팽창 인자를 갖는 제1 예측 모델들의 제1 도메인으로부터 제1 예측 모델들을 제거하여 제1 예측 모델들의 제1 서브세트를 생성하는 단계;
    3 이상의 분산 팽창 인자를 갖는 제2 예측 모델들의 제2 도메인으로부터 제2 예측 모델들을 제거하여 제1 예측 모델들의 제1 서브세트를 생성하는 단계;
    제1 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 단변량 모델, 제1 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 이변량 모델, 및 제1 서브세트의 모든 다른 삼변량 모델들보다 더 높은 R2 값을 갖는 제1 서브세트로부터의 삼변량 모델을 포함하는 후보 제1 예측 모델들의 제1 풀을 식별하는 단계; 및
    제2 서브세트의 모든 다른 단변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 단변량 모델, 제2 서브세트의 모든 다른 이변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 이변량 모델, 및 제2 서브세트의 모든 다른 삼변량 모델들보다 더 높은 R2 값을 갖는 제2 서브세트로부터의 삼변량 모델을 포함하는 후보 제2 예측 모델들의 제2 풀을 식별하는 단계를 더 포함하는, 예측 모델들을 개발하는 방법.
  13. 제12항에 있어서,
    제1 혼합 프로토콜 파라미터에 대한 제4 테스트 값들을 선택하는 단계;
    제2 혼합 프로토콜 파라미터에 대한 제5 테스트 값들을 선택하는 단계;
    제3 혼합 프로토콜 파라미터에 대한 제6 테스트 값들을 선택하는 단계;
    후보 제1 예측 모델들의 제1 풀의 각 후보 제1 예측 모델을 사용하여 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 추정된 제1 평가 기준을 생성하는 단계;
    제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대해 제1 CFD 시뮬레이션을 수행함으로써 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준을 생성하는 단계; 및
    후보 제1 예측 모델들의 제1 풀의 각 후보 제1 예측 모델에 의해 생성된 추정된 제1 평가 기준을, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준과 비교하는 단계를 더 포함하는, 예측 모델들을 개발하는 방법.
  14. 제13항에 있어서,
    후보 제2 예측 모델들의 제2 풀의 각 후보 제2 예측 모델을 사용하여 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 추정된 제2 평가 기준을 생성하는 단계;
    제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대해 제2 CFD 시뮬레이션을 수행함으로써 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제2 평가 기준을 생성하는 단계; 및
    후보 제2 예측 모델들의 제2 풀의 각 후보 제2 예측 모델에 의해 생성된 추정된 제2 평가 기준을, 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제2 평가 기준과 비교하는 단계를 더 포함하는, 예측 모델들을 개발하는 방법.
  15. 제14항에 있어서,
    추정된 제1 평가 기준과 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준의 비교에 기초하여, 후보 제1 예측 모델들의 제1 풀로부터 제1 예측 모델을 선택하는 단계;
    추정된 제1 평가 기준과 제4 테스트 값들, 제5 테스트 값들, 및 제6 테스트 값들의 각 조합에 대응하는 제1 평가 기준의 비교에 기초하여, 후보 제2 예측 모델들의 제2 풀로부터 제2 예측 모델을 선택하는 단계;
    제1 예측 모델을 사용하여 혼합 프로토콜에 대응하는 제1 평가 기준을 결정하는 단계; 및
    제2 예측 모델을 사용하여 혼합 프로토콜에 대응하는 제2 평가 기준을 결정하는 단계를 더 포함하는, 예측 모델들을 개발하는 방법.
  16. 제9항에 있어서, 상기 제1 및 제2 평가 기준은: 흐름 패턴, 유체 속도 분포, 유체 흐름 벡터 필드, 유체 흐름 유선, 정상 상태 혼합 시간, 과도 혼합 시간, 체류 시간 분포, 윤곽선 전단 변형률, 평균 전단 변형률, 노출 분석, 및 전력 소비를 포함하는 리스트로부터 선택되는, 예측 모델들을 개발하는 방법.
  17. 혼합 프로토콜과 연관된 전단 변형(shear strain)을 모델링하는 방법에 있어서:
    예측 모델에 대한 혼합 프로토콜 파라미터들을 식별하는 단계;
    혼합 프로토콜 파라미터들에 대한 테스트 값들을 선택하는 단계;
    테스트 값들의 각 조합에 대해 전산유체역학 노출 분석을 수행하여 테스트 값들의 각 조합에 대응하는 전단 변형을 생성하는 단계;
    후보 예측 모델들의 풀을 식별하는 단계;
    후보 예측 모델들의 풀에 순위를 매기는 단계;
    후보 예측 모델들의 풀로부터 예측 모델을 선택하는 단계; 및
    예측 모델을 사용하여 복수의 시간 간격들로 혼합 프로토콜의 누적 전단 변형을 평가하여 전단 변형 히스토그램 데이터를 생성하는 단계를 포함하는, 혼합 프로토콜과 연관된 전단 변형을 모델링하는 방법.
  18. 제17항에 있어서, 상기 혼합 프로토콜 파라미터들은 임펠러 속도, 배치 크기, 용액 점도, 용액 밀도, 혼합 용기 크기, 및 혼합 용기 기하학적 형태 중 2개 이상을 포함하는, 혼합 프로토콜과 연관된 전단 변형을 모델링하는 방법.
  19. 제17항에 있어서, 상기 혼합 프로토콜은 생물 반응기 내의 바이오의약품과 연관된 혼합 프로토콜인, 혼합 프로토콜과 연관된 전단 변형을 모델링하는 방법.
  20. 제17항에 있어서, 전단 변형 히스토그램 데이터를 사용하여 가시적 또는 서브-가시적 입자 형성의 위험을 평가하는 단계를 더 포함하는, 혼합 프로토콜과 연관된 전단 변형을 모델링하는 방법.
  21. 제17항에 있어서, 상기 후보 예측 모델들의 풀에 순위를 매기는 단계는 항들의 수에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, R2 값에 기초하여 후보 예측 모델들의 풀에 순위를 매기는 것, 또는 둘 다를 포함하고,
    상기 후보 예측 모델들의 풀로부터 예측 모델을 선택하는 단계는 가장 높은 R2 값을 갖는 모델을 선택하는 것을 포함하는, 혼합 프로토콜과 연관된 전단 변형을 모델링하는 방법.
KR1020237031391A 2021-03-26 2022-03-25 혼합 프로토콜 개발을 위한 방법 및 시스템 KR20230162932A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202163166504P 2021-03-26 2021-03-26
US63/166,504 2021-03-26
US202263298880P 2022-01-12 2022-01-12
US63/298,880 2022-01-12
PCT/US2022/071363 WO2022204728A1 (en) 2021-03-26 2022-03-25 Methods and systems for developing mixing protocols

Publications (1)

Publication Number Publication Date
KR20230162932A true KR20230162932A (ko) 2023-11-29

Family

ID=81308160

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237031391A KR20230162932A (ko) 2021-03-26 2022-03-25 혼합 프로토콜 개발을 위한 방법 및 시스템

Country Status (10)

Country Link
US (1) US20220309215A1 (ko)
EP (1) EP4315344A1 (ko)
JP (1) JP2024519407A (ko)
KR (1) KR20230162932A (ko)
AU (1) AU2022243005A1 (ko)
BR (1) BR112023018665A2 (ko)
CA (1) CA3211302A1 (ko)
IL (1) IL305731A (ko)
TW (1) TW202244475A (ko)
WO (1) WO2022204728A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024102680A1 (en) * 2022-11-07 2024-05-16 Regeneron Pharmaceuticals, Inc. Methods and systems for developing mixing protocols

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7087411B2 (en) 1999-06-08 2006-08-08 Regeneron Pharmaceuticals, Inc. Fusion protein capable of binding VEGF
US6927004B2 (en) 2002-03-08 2005-08-09 Asml Netherlands B.V. Mask for use in lithography, method of making a mask, lithographic apparatus, and device manufacturing method
ES2398076T3 (es) 2006-06-02 2013-03-13 Regeneron Pharmaceuticals, Inc. Anticuerpos de alta afinidad contra el receptor de IL-6 humano
US7608693B2 (en) 2006-10-02 2009-10-27 Regeneron Pharmaceuticals, Inc. High affinity human antibodies to human IL-4 receptor
PL2178916T3 (pl) 2007-07-31 2015-08-31 Regeneron Pharma Ludzkie przeciwciała przeciwko ludzkiemu CD20 i sposób ich zastosowania
JO3672B1 (ar) 2008-12-15 2020-08-27 Regeneron Pharma أجسام مضادة بشرية عالية التفاعل الكيماوي بالنسبة لإنزيم سبتيليسين كنفرتيز بروبروتين / كيكسين نوع 9 (pcsk9).
JO3417B1 (ar) 2010-01-08 2019-10-20 Regeneron Pharma الصيغ المستقرة التي تحتوي على الأجسام المضادة لمضاد مستقبل( interleukin-6 (il-6r
JO3340B1 (ar) 2010-05-26 2019-03-13 Regeneron Pharma مضادات حيوية لـعامل تمايز النمو 8 البشري
AR083044A1 (es) 2010-09-27 2013-01-30 Regeneron Pharma Anticuerpos anti-cd48 y usos de los mismos
CN106267189B (zh) 2010-10-06 2021-02-26 瑞泽恩制药公司 含有抗白介素-4受体(il-4r)的抗体的稳定制剂
JO3756B1 (ar) 2010-11-23 2021-01-31 Regeneron Pharma اجسام مضادة بشرية لمستقبلات الجلوكاجون
AR087329A1 (es) 2011-06-17 2014-03-19 Regeneron Pharma Anticuerpos humanos contra proteina 3 de tipo angiopoietina humana
LT2780368T (lt) 2011-11-14 2018-03-12 Regeneron Pharmaceuticals, Inc. Kompozicijos ir būdai raumenų masės padidinimui ir raumenų sustiprinimui, specifiškai antagonizuojant gdf8 ir (arba) aktiviną a
EP2807190B1 (en) 2012-01-23 2018-12-26 Regeneron Pharmaceuticals, Inc. Stabilized formulations containing anti-ang2 antibodies
JO3820B1 (ar) 2012-05-03 2021-01-31 Regeneron Pharma أجسام مضادة بشرية لـ fel d1وطرق لاستخدامها
TW201843172A (zh) 2012-06-25 2018-12-16 美商再生元醫藥公司 抗－ｅｇｆｒ抗體及其用途
EA028244B1 (ru) 2012-08-13 2017-10-31 Ридженерон Фармасьютикалз, Инк. АНТИТЕЛА К PCSK9 C pH-ЗАВИСИМЫМИ ХАРАКТЕРИСТИКАМИ СВЯЗЫВАНИЯ
JOP20200236A1 (ar) 2012-09-21 2017-06-16 Regeneron Pharma الأجسام المضادة لمضاد cd3 وجزيئات ربط الأنتيجين ثنائية التحديد التي تربط cd3 وcd20 واستخداماتها
JO3405B1 (ar) 2013-01-09 2019-10-20 Regeneron Pharma الأجسام المضادة لمضاد مستقبل عامل النمو المشتق من الصفائح الدموية - بيتا واستخداماتها
JO3532B1 (ar) 2013-03-13 2020-07-05 Regeneron Pharma الأجسام المضادة لمضاد انترلوكين-33 واستعمالاتها
TWI659968B (zh) 2013-03-14 2019-05-21 再生元醫藥公司 針對呼吸道融合病毒ｆ蛋白質的人類抗體及其使用方法
US9637535B2 (en) 2013-03-15 2017-05-02 Regeneron Pharmaceuticals, Inc. IL-33 antagonists and uses thereof
TWI641620B (zh) 2013-08-21 2018-11-21 再生元醫藥公司 抗－ｐｒｌｒ抗體及其用途
TWI680138B (zh) 2014-01-23 2019-12-21 美商再生元醫藥公司 抗ｐｄ-ｌ１之人類抗體
TWI681969B (zh) 2014-01-23 2020-01-11 美商再生元醫藥公司 針對ｐｄ-１的人類抗體
JP6632984B2 (ja) 2014-03-11 2020-01-22 リジェネロン・ファーマシューティカルズ・インコーポレイテッドＲｅｇｅｎｅｒｏｎ Ｐｈａｒｍａｃｅｕｔｉｃａｌｓ， Ｉｎｃ． 抗ＥＧＦＲｖＩＩＩ抗体およびその使用
TWI701042B (zh) 2014-03-19 2020-08-11 美商再生元醫藥公司 用於腫瘤治療之方法及抗體組成物
EP3636073B1 (en) 2014-05-05 2023-11-15 Regeneron Pharmaceuticals, Inc. Humanized c5 and c3 animals
EA201790377A1 (ru) 2014-09-16 2017-08-31 Регенерон Фармасьютикалз, Инк. Антитела к глюкагону и их применения

Also Published As

Publication number Publication date
CA3211302A1 (en) 2022-09-29
WO2022204728A1 (en) 2022-09-29
EP4315344A1 (en) 2024-02-07
IL305731A (en) 2023-11-01
AU2022243005A1 (en) 2023-10-05
US20220309215A1 (en) 2022-09-29
BR112023018665A2 (pt) 2023-10-03
JP2024519407A (ja) 2024-05-13
TW202244475A (zh) 2022-11-16

Similar Documents

Publication Publication Date Title
Bailly et al. Predicting antibody developability profiles through early stage discovery screening
Maruthamuthu et al. Process analytical technologies and data analytics for the manufacture of monoclonal antibodies
JP7486637B2 (ja) マイクロチップキャピラリー電気泳動アッセイおよび試薬
Roush et al. Toward in silico CMC: An industrial collaborative approach to model‐based process development
US20220309215A1 (en) Methods and systems for developing mixing protocols
CN112662551B (zh) 一种细胞培养控制方法以及系统
Bielser et al. Semi‐continuous scale‐down models for clone and operating parameter screening in perfusion bioreactors
Kontoravdi et al. Development and design of bio-pharmaceutical processes
AU2019299321A1 (en) Use of multiple hydrophobic interaction chromatography for preparing a polypeptide from a mixture
Sachio et al. A model-based approach towards accelerated process development: A case study on chromatography
Aksu et al. QbD implementation in biotechnological product development studies
Medina-Cucurella et al. Preferential identification of agonistic OX40 antibodies by using cell lysate to pan natively paired, humanized mouse-derived yeast surface display libraries
CN117099162A (zh) 用于开发混合协议的方法和系统
Zhang et al. A microfluidic chip for screening and sequencing of monoclonal antibody at a single-cell level
EP4190951A1 (en) Highly parallel assays for simultaneous identification of antibody sequences and binding partners
Whitford Bioprocess intensification: Technologies and goals
Ishii-Watabe et al. Recent achievements and current interests in research on the characterization and quality control of biopharmaceuticals in Japan
JP2023506090A (ja) グリコシル化タンパク質の電気泳動のための脱グリコシル化方法
Rathore et al. Implementation of QbD for Manufacturing of Biologics—Has It Met the Expectations?
Bogen et al. Humanization of chicken-derived antibodies by yeast surface display
Narayanan et al. Consistent value creation from bioprocess data with customized algorithms: Opportunities beyond multivariate analysis
BR112021007529A2 (pt) método e biblioteca de anticorpo
CN109696461A (zh) 一种治疗性抗体的放行检测方法
Mock et al. Recent advances in generative biology for biotherapeutic discovery
US20210221840A1 (en) Hydrophobic interaction chromatography for viral clearance