Bei Fermentierprozessen entstehen hochwertige Produkte nach einem proprietären, vorher festgelegten Herstellungsrezept. Die Herstellungskosten sind erheblich. Der Prozess ist durch das Risiko einer Kontaminierung durch fremde Mikroorganismen sowie durch eine geringe Produktausbeute aufgrund suboptimaler Betriebsführung oder störungsbedingter Abweichungen vom vorgegebenen Verhalten belastet. Schwankungen zwischen einzelnen Chargen aufgrund unsicherer Ausgangsbedingungen wie zum Beispiel bei der Qualität von Impfstoffen sind an der Tagesordnung. Es besteht daher großes Interesse, moderne Strategien zur Überwachung und Fehlerdiagnose für Bioprozesse zu entwickeln und einzusetzen. Die frühzeitige Erkennung von Ereignissen wie „Fehler“ oder „suboptimales Verhalten“ trägt dazu bei, soweit möglich korrigierende Maßnahmen zu ergreifen, um den Fehler zu verringern oder die Charge zu stoppen und damit die Zuführung kostspieliger Einsatzstoffe zu vermeiden.
* Bildquellenhinweis
Die Ereignis- oder Fehlerdiagnose für die Beurteilung des Zustands einer laufenden Charge umfasst im Wesentlichen zwei Schritte:
Für die Prozessbeurteilung ergeben sich daraus einige Herausforderungen. Beispielsweise können einzelne wichtige Messungen fehlen. Denn die Anforderungen bezüglich Sterilität oder aseptischer Umgebung im Reaktor und ein Mangel an entsprechenden Online-Sensoren zur Messung der primären Prozessgrößen (wie etwa Metaboliten/Mikroorganismen/Nährstoffmengen) schränken die Häufigkeit der Probenahmen aus dem Fermenter erheblich ein. Es stehen dann nur wenige gelegentliche und unregelmäßige Messungen der Primärkulturen wie der Biomasse und der Nährstoffmengen zur Verfügung. Diese Einschränkung beeinflusst eine ansonsten mögliche Überwachungsstrategie.
Da andere sekundäre Prozessgrößen recht häufig nicht-intrusiv messbar sind, setzen viele Anwender auf rückschließende Schätzungsstrategien. Eine solche Schätzungsstrategie leitet die primären Prozessgrößen aus den anderen sekundären Messungen ab. In einem Bioprozess werden mehrere derartige Messungen durchgeführt, wie die Messung der CO₂-Entwicklungsrate (CER), der Sauerstoffaufnahmerate (OUR), der Additionsraten für Säuren und Basen, des pH-Wertes und der Temperatur. Diese Messungen können benutzt werden, um Rückschlüsse auf den Zustand und die Qualität der laufenden Charge zu ziehen. Die zweite entscheidende Einschränkung für die Überwachung eines Bioprozesses ergibt sich aus den mangelnden Detailkenntnissen des Fermentierungsprozesses. Aufgrund mehrerer Zwischenreaktionen, die schließlich zu dem betreffenden Endprodukt, zum Beispiel Antibiotika oder anderen Metaboliten führen, ist es nahezu unmöglich, ein detailliertes mechanistisches Prozessmodell zu entwickeln. Daher ist es schwierig, modellbasierte Strategien zur Ereigniserkennung und Fehlerdiagnose, die in der chemischen Prozessindustrie relativ weit verbreitet sind, in der biopharmazeutischen Produktion umzusetzen.
Ansätze zur Chargenprozessüberwachung
Das Problem der Überwachung und Beurteilung des Zustands von Batch-Prozessen wurde unter drei Gesichtspunkten betrachtet: Der erste Punkt ist die adaptive Zustandsvorhersage. Diese beruht auf der Anwendung der besten verfügbaren Prozesskenntnisse über ein mathematisches Modell und wertet außerdem Messungen aus der Charge aus, um Rückschlüsse auf wesentliche Chargenparameter zu ziehen. Diese Schätzungen können sich den zeitlich variierenden Prozessmerkmalen anpassen, zum Beispiel den Veränderungen in der Darstellung der Wachstums- und Metabolitenraten, wenn die Nährstoffmengen eingesetzt werden. Hierbei ist eine sorgfältige Auswahl der Messungen erforderlich, die in Verbindung mit dem Prozessmodell stehen. Außerdem bedarf es einer Feinabstimmung, um die kritischen Chargenfermentierungsparameter und den jeweiligen Zustand genau zu rekonstruieren.
Der zweite Ansatz zur Entwicklung von Strategien zur Überwachung und Fehlerdiagnose stützt sich auf den Einsatz von Expertensystemen und auf auf künstlicher Intelligenz basierende Algorithmen. Voraussetzung dafür ist der Aufbau einer qualitativen und quantitativen Datenbasis normaler und fehlerhafter Fahrweisen des Anlagenbetriebs. Der laufende Chargenbetrieb wird dann mittels einer Mustercharakteristik eingestuft. Heuristikbasierte Expertensysteme beruhen darauf, sich Kenntnisse des Anlagenpersonals zu eigen zu machen und die verschiedenen Fehlermöglichkeiten und das Zusammenwirken von Prozessgrößen zu berücksichtigen, die das Anlagenpersonal voraussehen kann, und diese in einem Regelwerk zu erfassen.
Beim dritten Punkt – der Einstufung mittels eines statistischen Modells – handelt es sich um einen äußerst vielversprechenden Ansatz aus der jüngsten Vergangenheit, der auch in den Leitlinien der US-FDA über PAT-Initiativen und -Regulierungen erwähnt wird. Bei diesem datenbasierten Ansatz dienen Chargendaten, die während des normalen Routinebetriebs dieser Chargen erfasst wurden, als Grundlage für ein statistisches Modell. Zur Überwachung einer laufenden Charge vergleicht der Anwender die Daten aus dieser Charge mit der Vorlage der „normalen“ Bedingungen, die in dem statistischen Modell festgelegt wurden, und untersucht sie auf Prozessstörungen und Sensorfehler.
Dieser letztgenannte statistische Ansatz eignet sich speziell zur Überwachung von biotechnologischen Produktionsprozessen, da er zeigt, wie wichtig es ist, einen Bioprozess von Grund auf zu kennen und intrusive Sensoren einzusetzen, die eine potenzielle Kontaminierung des Fermenters erkennen können. Man braucht in erster Linie Daten aus dem normalen Anlagenbetrieb, die routinemäßig mittels nicht-invasiver Sensoren in die Datenbasis einfließen, wodurch der Fermentierungsstatus festgestellt werden kann.
Besseres Verständnis des Fermentationsprozesses
Industriewerkzeuge wie Uniformance PHD von Honeywell Process Solutions erfassen und archivieren routinemäßig Anlagendaten aus den Chargenprozessen. Diese archivierten Daten enthalten in der Regel wertvolle Informationen über die Ursache-Wirkung-Beziehung zwischen den Fermentierungsparametern, die analysiert und ausgewertet werden können und zu einem besseren Verständnis des Prozesses beitragen.
Zur Analyse dieser Informationen stehen statistische Werkzeuge wie Principal Components Analysis (PCA) und andere Datenreduzierungsalgorithmen zur Verfügung; mit Hilfe der Profit Suite von Honeywell können diese die Beziehungen zwischen den Parametern anzeigen. Weiterführende Methoden nach dem TotalPlant Batch and Procedure Analyst von Honeywell, die auf Chargenautomatisierung und -analyse ausgerichtet sind, bilden eine nützliche Hilfe, um zu verstehen, welche Faktoren zu Schwankungen zwischen den Chargen beitragen. Die vorstehend erwähnten multivariaten statistischen Methoden sind eine erhebliche Erleichterung für das frühzeitige Anzeigen abnormer Verhaltensweisen in laufenden Chargen, zum Beispiel bei einer Kontaminierung durch fremde Mikroorganismen oder einer geringeren Belüftung aufgrund von Veränderungen, etwa bei der Rührleistung.
Die Abbildung auf Seite 23 zeigt die Erfassung einer Anormalität im Belüftungssystem, die um den Zeitpunkt der 50. Probenahme auftrat. Hier ist eine Verletzung der Regelgrenzen (rot bzw. blau für zwei verschiedene statistische Kriterien dargestellt) bei der 50. Probenahme erkennbar; wird diese Anormalität danach bei der 70. Probenahme korrigiert, wird der Fermentierungsvorgang als normal eingestuft, was die Punkte, die wieder innerhalb der Regelgrenzen liegen, verdeutlichen. Auch potenzielle Ursachen bezüglich Fermentierungsstatus oder Parameter, die möglicherweise zu dem beobachteten „Ereignis“ beitragen, werden hervorgehoben und bewirken, dass frühzeitig Korrekturmaßnahmen ergriffen werden, um die Chargenqualität zu verbessern.
Als Alternative zu den bereits erwähnten umfassenden Methoden gelten integrierte Ansätze, bei denen die Vorteile einzelner Methoden kombiniert werden. Beispielsweise können auf künstlicher Intelligenz basierende Ansätze, die meist qualitativ ausgerichtet sind, dazu beitragen, quantitative Probleme zu lösen, die sich aus der Interpretation der multivariaten statistischen Methoden ergeben. Graukastenmodelle, die Kenntnisse über die Strukturen der Beziehungen zwischen Ursache und Wirkung auswerten, wurden beispielsweise gemeinsam mit datenbasierten statistischen Methoden eingesetzt, um die Überwachungsverfahren weiter zu optimieren. Migrierende Paradigmen, zu denen neben dem reinen Chargenzustand auch die Überwachung der Chargen-Performance und -Qualifikation gehört, können ebenfalls untersucht werden.
Fazit: Statistisches Modell für Biopharmaproduktion geeignet
Wer frühzeitig „Ereignisse“ in der Chargen- und Pharmaproduktion erkennt, kann die Produktivität und den Ertrag einer Fermentation deutlich steigern. Die entsprechenden Methoden zur frühzeitigen Erkennung eines fehlerhaften Betriebs sowie deren Anforderungen wurden in diesem Beitrag diskutiert. Auf mathematischen Modellen beruhende und auf künstlicher Intelligenz basierende Ansätze sind zwar von Nutzen, jedoch sind die Anforderungen für ihren Einsatz relativ streng in Bezug auf die Verfügbarkeit von Modellen mit hoher Zuverlässigkeit bzw. vollständigen regelbasierten Modellen. Der auf dem statistischen Modell basierende Ansatz stellt weitaus einfachere Anforderungen, die in der Herstellungspraxis erfüllt werden können und eignet sich daher für einen Einsatz in der Produktion.
• more@click-Code: PA098905
