CDMO分享 | 统计学方法在QbD中的实践应用

实行QbD须要统计学助力

质量源于设计（QbD）是一个别系的药物开拓方法。
ICH Q8对质量源于设计具有明确的定义，即基于科学及风险管理的根本上，采取系统的方法对预定义目标产品进行开拓，并强调对产品及工艺的理解以及工艺掌握。
[1]

基于QbD理念的药物开拓须要首先确定药物的目标产品质量概况（QTPP），基于风险评估确定关键质量属性（CQA），借助工艺开拓、工艺表征和工艺验证研究识别关键工艺参数（CPP）及其可接管范围，终极建立药物生产的掌握策略。
QbD药物开拓方法可帮助得到稳健、可重复以及质量可担保的药物产品。
[2]

图1：基于质量源于设计（QbD）理念的药物开拓路线图[2]

在实行QbD的过程中，统计学是不可或缺的工具。
任何药物的开拓都须要合理的和科学的数据与信息，以及对其的剖析。
基于统计学的数据剖析是利用知识进行决策的根本。
PDA技能报告60，工艺验证的生命周期方法中，曾总结过工艺验证期间所利用的统计学方法。
个中一些同样适用于基于QbD的药物开拓过程。
[3]

适用于QbD药物开拓过程的统计学工具可包含：

可视化工具：获取一组数据、总结干系信息并直不雅观的显示这些信息，即可视化的过程。
电子表格和统计学软件中的图形工具可实现该目的。
大略描述性统计：常日包括对数据集中趋势的描述（比如均匀数、几何均匀数、中位数或众数）和数据分散或变异性的描述（比如极差、标准差或方差）。
统计区间：量化不愿定性的最有用工具，可包括置信区间、预测区间和容忍区间。
假设考验：用于比较和推断的正式统计过程，可用于工艺开拓、可比性研究以及缩小模型的确认中等。
实验设计（DoE）：一种系统的研究输入因子以及其与输出相应（包括工艺属性和质量属性）之间关系的方法，也是FDA和EMA法规指南中，关于QbD药物开拓推举和鼓励利用的方法。
多元数据剖析：随着批次数据和光谱数据（比如过程剖析技能产生的数据）的涌现，须要利用高等的数据剖析和建模工具，比如主身分剖析、偏最小二乘剖析，以及机器学习算法等。
多元数据剖析方法开的模型能够更好的建立输入数据与输出相应之间的预测关系，进而带来更显著的上风。

下面我们对在QbD药物开拓中利用最多的统计学工具，假设考验和实验设计，进行详细先容，包括其运用实践。

假设考验

事理先容

假设考验是一种正式的统计程序，根据样本供应的证据来推断预期的总体参数的情形。
大略举例，在工艺表征中，未来验证缩小模型的代表性，现在我们分别具有缩小模型和生产规模的几次数据（样本），以此来推断缩小模型的所有生产和生产规模下的所有生产（总体）是否同等或可比。
[4]

针对该案例，常利用的假设考验方法为等价考验。
我们将缩小模型的所有生产的数据均值记录为小，将生产规模的所有生产的数据均值记录为大。
等价考验的目的是推断出小和大是否同等或可比。

在进行等价考验之前，我们须要确定一个等价区间（EAC），该区间定义为小和大之间的差异没有实际意义的区间。
常日会选择生产规模样本数据的3标准差作为等价区间。

构建一个互补的假设考验陈述，即：

为了进行上述的考验，须要根据样本数据打算均值差的90%置信区间，然后将该区间与EAC进行比较。

图2：等价考验的输出结果

情形A是缩小模型与生产规模的均值差的90%置信区间完备落在-EAC和+EAC之间，因此该等价考验的结论是两个规模的均值是等价的。
而情形B和C中，置信区间至少有一些值不在-EAC和+EAC的范围内，因此不能天生两者等价。

当等价考验的结果为等价时，才可以下结论说缩小模型能够代表商业化生产的工艺，可用于工艺表征和工艺验证干系的研究中。

案例研究

宿主细胞系和单克隆细胞会带来翻译后润色问题，会导致产品质量属性的变异，因此在选择时须要考虑这两个风险。
比如曾有宣布，不同的宿主细胞系表达的抗体具有不同的糖型图谱。

在实际的工艺表征和工艺验证研究中，为了验证缩小模型与商业化规模生产工艺，我们积累的各五批次的实验数据，即样本数据。

表1：缩小模型实验与生产规模数据

基于样本打算的缩小模型与生产规模的均值差（0.916-0.883=0.03）的90%置信区间为（0.0004806,0.0595194），该区间完备落在等价区间（3生产规模标准差），即（-0.069,0.069）内。
因此可认为两者是等价的。

图3：缩小模型与生产规模等价考验的结果

该案例研究的结论是，缩小模型可作为商业化生产规模工艺的代表，即可以用于工艺表征和工艺验证的研究中。

实验设计（DoE）

事理先容

在基于QbD的药物开拓中，很主要的一步是建立输入因子（工艺参数和/或物料属性）与输出相应之间的关系，进而建立输入因子的设计空间。
ICH、FDA和EMA的干系法规指南均鼓励和推举在该步骤中利用DoE方法。

与传统的独身只身分实验方法比较，DoE方法的研究中，所有因子同时发生改变。
借助科学合理的实验安排以及系统的数据剖析可以得到更多的知识，不仅仅是每个因子的主效应影响，还包括因子之间的交互效应和二次项效应影响。
其余，从经济性角度来看，实验设计也减少了实验次数，节省了工艺开拓和表征研究的韶光和资源。
[5]

图4：独身只身分实验方法（左）与实验设计方法（右）

基于实验设计（DoE），我们可以（1）确定哪些输入因子具有统计学的显著性影响，可将其暂定为潜在关键工艺参数（pCPPs），以及（2）确定这些潜在关键工艺参数的可接管范围，即设计空间。
这些目的的实现均依赖于实验设计背后系统的数据剖析知识。

案例研究

现在进行一个利用阴离子交流层析进行单克隆抗体的风雅纯化，采取流穿模式，须要研究的输入工艺参数包括样品pH、样品电导、上样载量和保留韶光。
研究的输出相应则包括收率和聚拢体含量。
根据实验设计事理可以设计一个分辨率为IV的部分析因实验设计，共计须要进行11次实验。

表2：阴离子交流层析步骤的实验设计

在得到11次实验的收率和聚拢体含量的检测结果后，通过实验设计的统计剖析，可以显示四个工艺参数对收率和聚拢体含量是否具有显著性影响。
如下图，样品pH、样品电导和上样载量对收率具有显著性影响，保留韶光对收率没有显著性影响。
其余，样品pH和样品电导对聚拢体含量具有显著性影响，而上样载量和保留韶光则对聚拢体含量没有显著性影响。

图5：工艺参数对收率和聚拢体影响的统计学剖析

建立最小二乘法的回归方程，则可以根据回归方程刻画收率和聚拢体含量的等高线图，从而确定关键工艺参数的设计空间范围。
如下等高线图，收率和聚拢体含量相对付样品pH和样品电导的等高线图，如果设定收率＞80%，聚拢体含量＜2.5%，那么图中的白色区域即为两个属性均可接管的区域。
能够实现该区域的工艺参数（样品pH和样品电导）的范围即为所须要的设计空间。

图6：样品pH和电导的设计空间范围（白色区域所示）

基于上述案例的剖析，我们可以确定对阴离子交流的风雅纯化，样品的pH和电导对收率和纯度具有显著性影响，可暂设定为潜在关键工艺参数，其可接管范围（或设计空间）可基于等高线图的结果而定。

总结

基于QbD的药物开拓已经成为现在药物开拓的趋势，也符合药物监管的期望。
QbD是一个基于科学和风险的系统方法，统计学是实现QbD的一个主要工具[2]。
本文中先容了QbD会用的统计学方法，并详细先容了假设考验和实验设计两个工具及其运用实践案例。
通过这两个案例，我们可以看到统计剖析所带来的系统知识，这对付担保未来稳健、可重复以及担保质量的商业化生产极具有上风。

参考文献

[1] ICH Q8 R2 PHARMACEUTICAL DEVELOPMENT 2009年

[2] Lynne K, Christof F. Introduction to the application of QbD principles for the development of monoclonal antibodies. Biologicals 2016;44(5):282e90.

[3] PDA Technical Report NO 60：Process Validation: A Lifecycle Approach, 2013年

[4] 马逢时, 六西格玛管理统计指南 2013年

[5] Cytiva, design of experiments in protein production and purification, handbook 29-1038-50 AA