Q-011

点击上方的 行舟Drug ▲ 添加关注 摘要 质量设计(QbD)是一项全球性的监管倡议，其目标是通过主动设计药品生产工艺和控制来加强药品开发，以始终如一地交付产品的预期性能。与QbD相关的药物开发原则在ICH指导文件(ICHQ8-11)中有描述。罗氏/基因泰克开发了一套综合风险评估及其相关要素，旨在为重组单克隆抗体(MAb)的生产提供产品和工艺知识的概述。 本章描述了在QbD范式下用于单克隆抗体制造过程表征和验证的工具。这包括识别潜在关键工艺参数(pCPPs)的风险评估，统计设计的实验研究以及评估单元操作联系的研究。研究的结果是根据其临界性对工艺参数进行分类，并定义适当的可接受操作范围。在这些研究中获得的过程和产品知识可以导致设计空间的批准。此外，在这些研究中获得的信息用于定义制造过程对CQAs可变性的“影响”，这用于定义测试和监控策略。 1.介绍 单克隆抗体生产过程的表征和验证建立在综合科学和基于风险的方法之上。这些程序元素结合了从工艺和产品特定研究中发展出来的工艺和产品理解，以及从类似分子和工艺中获得的平台知识。 图1描述了我们使用一套全面的风险评估工具来实现设计质量(QbD)原则的方法。本章中描述的QbD工具仅限于蓝色虚线中的元素。本章描述的所有活动的基础是参考文献中描述的CQAs的定义。所使用的方法包括用于识别潜在关键工艺参数的风险评估、用于工艺表征的多变量研究以及随后用于确定适当范围的关键工艺参数的关联研究。在这些研究中获得的所有信息都用于定义制造过程对CQA可变性的“影响”。这一信息是参考文献中进一步描述的测试策略定义的重要先决条件。最后，在这些研究中获得的过程和产品知识可以导致设计空间的批准。 本文描述的这种方法已经在几个开发和许可阶段的提交中使用，并且在将其纳入A-Mab案例研究后得到了改进 (CMC生物技术工作组。A- mab:生物工艺开发的案例研究。加利福尼亚州埃默里维尔:CASSS;2009)并符合单克隆抗体生产工艺的ICH指南Q8、Q9、Q10和Q11。 图1 通过设计风险评估工具评估工艺对产品质量的影响和控制。 1.1工艺表征和工艺验证(PC/PV)研究的顺序 在工艺开发周期完成后，进行风险评估以识别pCPPs。在这些评估中，对生产过程的每个单元操作评估工艺参数变化对特定CQA的潜在影响。 然后，使用合格的缩小模型和生产规模设备进行单元操作特定工艺表征和验证研究。链接研究进一步用于评估几个单元操作中工艺参数的变化对最终原料药(DS)或制剂(DP)中CQAs的累积影响。 这导致系统和广泛的工艺理解，用于确定关键工艺参数(CPPs)及其可接受范围。然后，工艺表征和工艺验证研究的结果通知最终的属性测试策略和批准后的生命周期计划(PALM计划)。关于所有活动的概述如图2所示。 图2 工艺表征和工艺验证(PC/PV)研究的顺序。 1.2设计空间的定义 使用本章描述的方法获得的过程知识是定义设计空间的基础。ICH Q8将设计空间定义为输入变量(例如，材料属性)和工艺参数的多维组合和相互作用，这些已被证明可以提供质量保证。 在其QbD文件中，罗氏/基因泰克使用了一个进一步完善和具体的定义: 设计空间包括所有的单元操作，描述每个单元操作操作的工艺参数，以及使用的原材料。设计空间受限于所有工艺参数的可接受范围，包括CPPs和非CPPs。 CPPs和非-CPPs的可接受范围均已确定。设计空间在参考文献:制造过程和过程控制的描述中描述的通用技术文件(CTD)结构中的第S.2.2节:制造过程和过程控制的描述，以及S.2.3原材料和P.3.3节中描述。如ICH Q8定义中所述，设计空间定义了制造商可以在未经卫生主管部门预先批准的情况下对工艺进行更改的程度。 设计空间声明定义了潜在工艺参数目标变化的可接受程度。它没有描述工艺的失效边缘，工艺参数在设计空间之外的偏差不会自动导致不可接受的产品质量。在BLA/MAA中具有设计空间的工艺的制造工艺和工艺控制描述中，提供了参数范围，而不是目标和正常操作范围，与这些要素变更的法规管理一致。 基本上，无论是否要求设计空间，BLA/MAA中的工艺描述都没有根本的区别，尽管两种情况下的工艺参数范围可能不同。关于设计空间概念的进一步见解见第7.1节。 在设计空间内管理变更可以更积极地管理产品质量。它允许在不增加产品质量风险的情况下，使用工艺参数来考虑原材料的可变性、设施的适合性和优化，以及产量的提高，以平均为中心的CQAs。 2.制造工艺的定义 工艺表征和工艺验证(PC/PV)的起点是对每个单元操作的详细描述。当单元操作，包括其工艺参数目标和原材料被定义时，工艺开发就完成了。 单克隆抗体(mab)原料药生产工艺已趋同为标准工艺设计，可分为上游和下游操作。常规生产中的上游单元操作从解冻一小瓶的工作细胞库(WCB)开始，直到在生产生物反应器中合成单克隆抗体。下游单元操作从移除细胞开始，包括几个过滤和色谱步骤，以获得高纯度的原料药。罗氏在QbD模式下开发的前两种产品的制造工艺遵循此工艺描述(图3)。 一个典型的药品生产过程包括解冻冷冻原料药。解冻后的散装物可池和/或稀释，然后过滤以获得无菌溶液，装入小瓶，盖上盖子并检查。小瓶贴上标签并包装，然后在推荐的温度下储存(通常为2-8 ℃)。类似但更复杂的工艺流程用于冻干产品或液体填充并组装成设备(例如，预填充注射器)(图3)。 图3 标准MAB制造流程流程图。 典型的单抗工艺单元操作有许多可能影响工艺性能和产品质量属性的输入变量。一般有两种类型的输入变量，工艺参数和材料输入。工艺参数是可以在制造过程中直接控制的变量，例如生物反应器的pH值或色谱步骤中的柱流量。材料输入包括原材料、制程材料和组分(如树脂)。材料输入也会导致过程和产品的可变性。例如，培养基中原料的可变性会影响细胞培养过程，从而影响单克隆抗体CQAs。与工艺参数相比，材料输入的可变性更难以控制。因此，了解原材料的影响是很重要的，如果有必要，通过适当的原材料规范进行控制。 为了描述单个单元操作，有必要评估它们如何影响DS或DP的最终CQAs。例如，细胞培养过程可能产生高分子量物种，然后通过下游色谱步骤有效地去除。CQAs本身并没有变得不那么重要，但它们可以被证明是由过程很好地控制的。例如，工艺参数对细胞培养上清中高分子量物种(HMWs)水平的影响是否至关重要，必须考虑下游单元操作的去除能力来评估。考虑这种下游能力的一种方法是为每个单元操作定义CQAs的目标范围(参见第5.1节)。 对于DS净化和DP单元操作，通常可以在单元操作池中直接测量这些CQAs。对于细胞培养过程，通常需要一定程度的小规模纯化(例如通过高通量蛋白A层析)。在某些情况下，可能不可能直接测量CQA或过程输出，以提供有关单元操作池中的CQA的信息。例如，细胞培养过程对DS有颜色的影响只能在经过几个纯化步骤后才能评估。这些情况会使单克隆抗体工艺特性研究的执行变得非常复杂，因为额外的小规模纯化或样品制备步骤是必要的。 3.设计和建立合格的缩小模型 系统评价工艺参数对单克隆抗体CQAs的影响需要几十到几百个实验。使用单元操作的按比例缩小模型(SDM)是因为在完全商业制造规模下生成多变量数据来评估参数临界性是不切实际的。这些模型在预测参数对工艺性能和产品质量影响的方向性和幅度方面已经被证明具有历史意义。事实上，这些模型一直被用作许多授权生物制剂的PC/PV包的重要组成部分。它们是不依赖于场地和规模的工艺表征的根本基础。 由于SDM用于确定CPPs，以及可能构成设计空间的CPPs和非CPPs的可接受范围，因此有必要证明SDM充分代表了全规模的cGMP单元操作。 使用SDMs描述单元操作的一般方法有两种:在其全部假定可接受范围内描述所有相关参数，以及使用部分或最坏情况设计。SDM通过适当的小型化来表示整个单元的操作。它的设计是为了表示物理和(生物)化学环境在缩小尺寸，以检查工艺参数和材料的影响。例如生物反应器培养和色谱柱。当使用“部分”或“最坏情况”方法进行研究时，SDM可能代表单元操作的物理和/或(生物)化学性质的特定子集，例如剪切，表面积体积比，细胞裂解。它可以使用小型化的设备，也可以使用施加所需力、液体剪切或应力的设备。这种方法通常用于测试输入参数或材料子集的最坏情况，通常在药品处理单元操作中。 3.1缩小模型代表整个单元操作 这些SDMs通常用于制造单元操作的开发和表征。为了确保一个模型是制造规模单元操作行为的代表，它必须使用代表制造规模过程的条件、材料和工艺参数来设计和操作。 SDM设计中需要考虑的关键因素有: ●输入变量:原料和组件，原料/细胞来源，环境条件。必须考虑原料/细胞源效应，因为它们会影响单元操作的结果(例如，生物反应器的种子，层析负载中的杂质含量)。 ●设计:设备限制，操作程序，参数控制概念，在线和离线分析仪器。 ●输出变量:性能和产品质量指标，样品处理/储存，分析方法。 ●使用合理的科学和工程原理进行缩放。 SDM的目标是尽可能与全尺寸单元操作相匹配。理解和/或控制SDM和全面操作之间的差异是很重要的(例如，结构材料，生产规模和小规模使用不同的分析)。过程表征的一个基本目标是了解过程在响应过程参数和材料输入变化时的行为。因此，至关重要的是，SDM资格证明模型是大规模过程的代表。在非目标条件下进行制造规模运行的可行性有限，因此有必要对目标条件下的SDM和制造规模结果进行比较。 因此，SDM资格可以被视为一种风险评估。当SDM结果与目标的制造结果相等时，可以得出结论，即小规模系统对输入参数变化的响应有很大的概率(即低风险)代表了在制造规模上观察到的响应。如果目标结果不相等，则表明模型可能不能充分代表生产规模的变化的风险较高(但不是结论)。因此，观察到的非等效性或潜在的非等效性值得进一步评估SDM结果。这种进一步的评价必须在个案的基础上进行。 SDM的正式鉴定包括由制造规模结果和SDM模型结果组成的数据集之间的等效性的统计检验，两个规模都在目标上运行。通过双单侧检验(TOST)，将平均值差异的90%置信区间(90% Cl)与等效极限或实际显著差异(PSD)进行比较。由于比较是双向的，使用90%Cl的结果是等效或不等效，显著性水平对应于p < 0.05。这种方法需要一定数量的最小数据才能得出有意义的结果。将6次大规模运行与6次SDM运行进行比较可以被视为为此目的的数据需求的下限。一般来说，均值之差和相关的90% Cl是从SDM和制造规模数据集作为独立组计算的。然而，当PC/PV模型使用制造规模的原料进行比较时，可以使用更强大的匹配对分析。 在初始BLA或MAA申报时，可能无法获得至少六次生产规模运行的数据。在这种情况下，很难对制造规模的“真实平均值”达到高水平的信心。使用额外的中试规模数据或早期临床生产数据是克服这一问题的一种选择。 如图4所示，采用文献所描述的方法，SDM数据集与制造规模数据集之间的差异可以分为四个不同的等效水平，主要有两种情况: 1.a均值之差位于等值限(或以下描述的实际显著差异，PSD)之间，而均值之差的置信区间完全包含在PSD范围内。SDM结果被认为是“等效的”。 1.b平均值差的置信区间部分重叠于PSD限值。等效性是可能的(“Equivalence -insample-mean-only”)，但没有得到证明。 2.a均值之差位于等值限之外，均值之差的置信区间部分重叠于PSD限。SDM结果更有可能是非等效的(“未能等效”)。 2.b均值差的置信区间完全在PSD范围之外。SDM结果被认为是“不等效的”。 图4 双单侧检验的可能结果。 等效性测试方法需要确定PSDs以使其能够实施。对于每个选择的输出，表示被认为是真实差异的PSDs实际上是数据集之间可接受差异的限制值。PSDs内产品质量指标的差异被认为与SDM的确认无关。对于大多数CQAs, PSD的相对水平将在制造过程的单元操作中保持一致。对于在整个过程中发生重大变化的CQAs(例如去除宿主细胞蛋白)，需要定义适合单元操作的定制PSDs。PSDs与大规模模型保真度的“工程”评估相关，即，从过程工程的角度来看。这与可能与患者安全或疗效相关的属性的影响程度无关。因此，在讨论可能“不等同”的结果时，注意观察到的偏移是否真的“对患者安全或疗效有意义”是相关的。 对PSDs进行适当的论证很重要，也可能是一个长期争论的话题，因为很少有关于PSDs定义的普遍确立的规则或指导。定义PSD的出发点是为每个CQA使用制造规模过程的两个标准偏差范围。然而，在许多情况下，这个值是不合适的。 TOST的等效结果(案例1a)意味着SDM的代表性行为极有可能达到全规模。然而，在某些情况下，不可能对单元操作的每个过程输出都达到完全等价。在这些情况下(1b、2a和2b)，有必要对观测到的输出偏移量的影响进行个别评估。 重要的是要重申，模型鉴定的目标是证明SDM适合代表被要求表示或模拟的属性的制造规模行为。在这种情况下，“代表性行为”是指SDM中测量的输出响应工艺参数变化的方向和近似幅度与制造规模下的输出响应相同工艺参数变化的方向和近似幅度相同。如果观察到的差异不能在统计上确定为在PSD内(即TOST病例1b, 2a和2b)，则表明SDM存在不具有这种期望的代表性行为的潜在风险。一般来说，不太可能在全尺寸上充分复制脱靶条件，以便在统计上可靠地确认不同尺度上输出变化的相似性。因此，对观测到的偏移量、随时间的偏移量稳定性的科学理解，以及任何可用的脱靶全面测试，都逐渐增加了偏移量存在或不存在的证据，表明模型可能不具有代表性行为。在某些情况下，可能对偏移量及其原因有明确的科学理解(例如，样品处理，暴露于光下等)，这支持尽管在目标条件下观察到偏移量，但输出的变化仍然代表生产规模行为。对有偏移的数据的依赖程度应与对其准确性的信心程度成正比，即，不是全有或全无地接受或拒绝模型派生信息。通常，在定义CQA的测试策略时，也应该考虑SDM的质量。 一般来说，预计大多数CQAs不会显示抵销。例如，对于单克隆抗体A的细胞培养过程和纯化层析步骤。进行了50例TOST，只有5例未显示完全等效。 3.2一个按缩小模型鉴定的例子 为了用一个实际的例子说明SDM鉴定方法，图5显示了单抗A制造过程中第一个色谱步骤的TOST结果。 从图中可以看出，除了高分子量(HMW)形式外，DNA和浸出蛋白A的所有CQAs都表现出等效性。该SDM用于亲和层析单元操作的PC/PV研究，这三个不等效CQAs的偏移量如下: ●高分子量形式(HMWs):对于HMWs，均值差的置信区间与PSD(“样本均值等价”)重叠。然而，制造规模和SDM之间的平均值差异很小(0.2 area-%)，并且在PC/PV研究中未检测到所研究的工艺参数的相关影响。 ●浸出蛋白A (LPA):LPA未达到等效。造成这种情况的原因被确定为制造规模和小规模之间的循环次数的差异，因为浸出在较早的周期中更为明显。由于控制该变量对SDMs的鉴定具有实质性的操作复杂性，因此必须承认，在该单元操作中，CQA不可能进行正式的等效证明。考虑到周期数，SDM将获得相同的结果。然而，基于对观测到的偏移量来源的理解，预计对工艺参数变化的响应将代表制造规模操作。 ●DNA:宿主细胞DNA也不能等同。然而，众所周知，基因组DNA是非常不稳定的，并且很强地吸附在表面上。这导致亲和层析柱负载中DNA水平的巨大变化。此外，在处理进程池期间，即使是轻微的变化也会对DNA水平产生重大影响。因此，在小规模生产和大规模生产之间观察到的差异是由DNA不稳定性引起的，而不是由规模效应引起的。所以对于这个CQA，在亲和层析步骤中不可能得到等价性的正式证明。然而，SDM被认为适合于确定工艺参数变化对DNA去除的方向和影响程度，尽管结果的解释需要考虑到饲料中DNA水平的变化。为了补偿关于绝对DNA水平的剩余不确定性，对阴离子和阳离子交换色谱步骤进行了额外的尖峰研究。基于这些措施，以及对制造规模中DNA水平变化的评估，证明该工艺在去除DNA方面非常稳健(另见第6节工艺影响)。 图5 亲和色谱池的缩小模型比较。 3.3“最坏情况”研究的部分缩小模型 不需要对整个单元操作进行建模，就可以充分地描述某些单元操作。这些操作通常只涉及对整体溶液的物理操作，其中过程应力很好地理解(例如混合或过滤)，不需要参数优化，并且质量属性预期不变(例如大多数DP单元操作)。对于这些情况，基于工程原理和与规模无关的参数(例如，无因次数)开发具有代表性的小规模模型就足够了，这些模型可以再现商业规模中遇到的相关产品应力。 部分模型的鉴定是建立在充分描述和证明其设计中使用的工程原理和材料选择的基础上的。这些模型并不打算模拟目标条件下的制造规模过程，因此将制造规模的目标数据集与模型之间的性能进行比较没有意义。这方面的例子可以是某些类型的搅拌容器，用于研究远远超过实际制造数据的DP溶液的剪切力，或者用于评估光对填充的DP小瓶的影响的光室。 4.通过风险排序和过滤来识别潜在的关键工艺参数 即使使用合格的SDMs，通过实验评估所有工艺参数对CQAs的影响也是不切实际的。考虑到典型的MAB制造工艺在不同的单元操作中有超过500个工艺参数，因此有必要将实验重点放在合理可能影响CQAs的工艺参数上。这是通过使用风险排序和过滤(RRF)方法进行风险评估来确定潜在的CPPs (pCPPs)。在罗氏/基因泰克公司，这种评估方法已经有了很大的发展。例如，用于第一个QbD归档的方法对工艺参数可能单独对CQA产生的潜在变化以及通过与其他工艺参数的相互作用进行排序。相比之下，mAb A所用的方法是基于FMEA，对制造规模的工艺参数的潜在严重性、发生和可检测性变化进行排序。基于这两个项目的经验，罗氏/基因泰克开发了一种新的风险排序和过滤程序，用于识别pCPPs和材料属性。与使用的方法无关，重要的是要注意，进行风险评估是一个涉及开发，制造，分析和质量保证参与者的多学科工作。风险评估的详细文件包括参与者和评分的基本原理。 该方法基于三个评估来分析每个过程输入:1)对过程输出影响的严重程度(CQAs和关键绩效指标(KPI))，包括基于使用相关数据估计的相互作用的考虑;2)用于通知严重性排名的信息的确定性。3)通过将计划的表征范围与大规模过程的预期正常运行范围(即过程输入控制能力)进行比较，根据过程输入超出表征范围的潜力(即偏移)分配额外的分数。表1概述了这三个类别的定义和得分。作为第一步，有必要定义哪些过程输出(CQAs和KPIs)可能受到单个单元操作的影响。如果其他质量属性或关键性能指标被认为是工艺一致性的度量，也可以考虑(例如，无效应功能的抗体的聚糖分布作为其作用机制的一部分)。 严重性评分的排名将基于在产品早期工艺开发阶段获得的产品特定知识，但它也将依赖于在开发和表征先前MAb制造工艺期间产生的平台知识。 为每个过程输入的严重性和严重性×确定性生成风险评分。将风险评分与阈值进行比较，以确定是否应将工艺输入包括在表征研究中(另见表2)。阈值的前提是，如果其表征范围内的变化有可能导致可检测的工艺输出的变化，即超出其测定可变性，则应将工艺输入包括在表征研究中。能力评估将只表明在特性研究中应该包括低风险的过程输入。高度的控制能力并不能将过程输入排除在表征研究之外。 风险排序和过滤方法的一个重要方面是，它需要定义用于能力评估的“计划表征范围”，并与过程的正常操作范围(NOR)进行比较。具有低能力分数的过程输入也将包括在表征研究中。这样就可以避免工艺参数由于过于严格的表征范围而被错误地归类为非CPPs。罗氏/基因泰克的经验表明，这可能是卫生当局在审查许可申请期间关注的一个关键问题。 NORs的定义不是一项简单的工作，同样，必须仔细考虑计划表征范围的选择。罗氏/基因泰克已经投入了大量的时间和精力来定义与罗氏/基因泰克原料药生产设施网络相关的参数控制NORs。一般来说，表征范围应至少比预期的NORs宽两到三倍。这反映了工艺参数的可控性影响参数的临界性评价。然而，如果表征范围设置得“太宽”，几乎每个工艺参数都可能变得至关重要。如果范围设置得太小(即使参数控制得很好)，CPPs可能会被“忽略”。 因此，这些表征范围的定义是至关重要的。对于BLA/MAA提交，表征范围的论证已被证明是至关重要的，并且在工艺开发和/或工艺验证部分中对这些范围的描述将明确需要包含有关生产工艺NORs的信息。 表1 用于识别pCPPs的RRF工具的风险评分。 表2 风险排序阈值。 5.单元操作的特征 进行实验工艺特性研究的目的是提高对每个单元操作的工艺理解，并定义关键工艺参数及其可接受范围。表征和后续验证研究的结果使用合格的SDMs进行。 每个单元操作都是在原材料的情况下进行评估的，其可变性可能是至关重要的。在风险排序和过滤之后，必须评估的工艺参数列表可能很广泛，因此需要有效的实验设计。 一般来说，特征研究是统计设计的多变量实验，或DoEs，它应该对所评估的输入工艺参数的影响提供清晰的解释。如果有足够程度的保证工艺参数之间没有有意义的相互作用，也可以进行单变量研究来补充多变量数据，并支持单变量偏差。还应进行原料变化的评价。这可以通过将原材料变化作为多变量或单变量实验的一个因素来实现，或者，由于这种方法的实际困难(例如，在开发过程中可用的原材料的有限变化)，通过对开发和/或工艺表征研究中使用的原材料批次进行回顾性或其他观察性分析来实现。 实验设计可以是顺序的，从低分辨率筛选设计开始，然后是高分辨率设计，其中包括较少的高影响因子，如参考文献所述。或者，一个大的实验设计可以在多个实验块中执行。然后对各工艺输出(即KPI和CQA)进行多元实验结果的多元线性回归统计分析。 利用统计标准评估这些研究的原始数据输出和回归模型也很重要，例如: ●过程数据的变异系数，用以评价数据的整体变异。 ●对多元回归模型进行总体方差分析(ANOVA)，将完整回归模型与代表均值的模型(不含因素变量)进行比较。 ●p值给出了在没有因素对响应产生影响的情况下观测到给定数据的概率。如果这个概率小于0.05，则可以得出结论，至少有一个因素对响应有影响。 ●多元回归的决定系数R2表示模型解释的变异比例。接近1的值表明模型中可变性有足够的覆盖。 ●预测系数Q2用来描述模型的预测能力。Q2是基于交叉验证型方法，预测误差平方和PRESS。具有足够预测能力的模型，其PRESS值相对于总平方和较小。Q2值接近于1表示完美的预测模型。 ●缺乏拟合检验来比较残差模型方差与方差的纯误差估计。如果模型方差大大大于纯误差估计，则模型可能不充分。p值小于0.05表明可能存在拟合不足，模型可能不充分。纯误差是根据重复观测估计的。 ●实际预测图将模型计算的预测值(x轴)与观测值(y轴)进行比较。在一个完美的模型中，所有的观测值都应该等于预测值。 在某些情况下，统计标准可能显示“较差”的预测性能。然而，在某些情况下，这实际上可能意味着所研究的工艺参数在所研究的参数范围内对CQA没有有意义的影响，并且剩余变化大于所研究的任何工艺参数所赋予的变化。评估数据的整体可变性并将其与多个制造规模运行的可变性进行比较是很重要的。不能用工艺参数的变化来解释的大变异性可能表明一个未知的变异性来源，应该进一步调查。如果在小规模研究数据中观察到的可变性与在生产规模批次中观察到的可变性相当，这表明一个不受工艺参数变化影响的稳健工艺。 独立于统计模型的质量，一个低的整体输出可变性可以表明一个非常稳健的制造过程在特征范围内。如果CQA产品变体的所有测量输出值非常小(例如低于1.0%)，情况也是如此。 5.1关键质量属性目标范围(CQA-TRs) 将单元操作的PC/PV研究结果与CQA-Target range (CQA-TRs)进行比较。CQA-TR是单元操作输出的允许范围，以确保在最终药品中获得可接受的产品质量。CQA-TRs通常来源于CQA-AC狭窄(~5%)。实施CQA-TR策略是为了降低如果在设计空间边缘运行制造规模工艺，SDM结果不能准确预测制造规模结果输出的风险。在工艺设计中使用CQA-TR或类似的缩小CQA-AC范围有助于确保始终达到CQA-AC范围内的结果。 对于在加工或储存过程中没有变化的CQA, CQA-TR直接来源于CQA-AC, CQA-AC是根据药品保质期结束时CQA的可接受水平来定义的(请参阅控制策略章节)。在这种情况下，CQA-TR计算为CQA-放行标准的最小相对缩小5%(即对于单侧CQA-TR减少5%)。对于双边CQA-TR，减少是通过改变每个限制2.5%来实现的，从而使整个范围的总减少5%。) 对于在过程中或在稳定状态下从单元操作到单元操作变化的CQAs，必须定义适合于单个单元操作输出的CQA-TR。CQA-TR必须根据数据或相关原理来定义，其中可能包括在目标参数设置下操作的后续单元操作的预期变化。这考虑到下游单元操作的能力，例如去除与工艺相关的杂质。在某些情况下，可以进行峰值研究，以证明某些色谱步骤具有超出过程中常规观察到的去除能力，这些研究的结果可用于定义上游单元操作的CQA-TRs。 如果单元操作的结果符合CQA-TRs，则所研究的工艺参数范围可视为单元操作的可接受参数范围。然而，为了将这些范围称为设计空间，通常会进行额外的验证性研究，如“链接研究”一章所述。 5.2影响比评估在确定关键工艺参数中的应用 单元操作表征研究的结果用于确定制造过程的关键工艺参数。一个量化指标，即影响比率，计算如下: 其中参数效应是指当参数从可接受范围的中点改变到可接受范围的极限时，CQA结果的预期变化。过程平均项表示制造规模过程按目标运行时的平均CQA值。CQA-TR项是最接近工艺平均值的CQA-TR极限(上限或下限)。 如上所述，分子项通常是用合格的模型进行实验来评估的。从概念上讲，分子表示当工艺参数移动到其建议的可接受范围的边缘时，CQA可能变化的程度，而分母表示在CQA接近其CQA-TR之前允许的CQA变化程度。图6显示了这个概念的可视化图形表示。 图6 影响比计算图解。 过程参数最终被分类为高影响的CPPs、低影响的CPPs或非-CPPs，以便更好地对其相对临界性进行分类。对于每个参数，为每个CQA计算一个Impact Ratio。以下列标准比较最高的影响比率: ●高影响CPP:影响比＞0.33 ●低影响CPP:0.33≥影响比≥0.10 ●非-CPP:影响比＜0.10 选择基于＞0.10的影响比的临界定义是为了平衡识别具有有意义影响的参数，同时避免将只有轻微影响的参数分类为临界，因为至少需要10个这样的参数，所有影响同一CQA的参数同时在其范围的最坏情况下运行，从而导致该CQA发生故障。实际上，这是极不可能的。 影响比计算中的参数效应项的计算假定已经进行了工艺表征研究，从而可以估计线性统计模型。线性统计模型通常是一个多项式，包括截距、主效应、双因子相互作用效应和曲率等项。哪些项可以估计取决于工艺表征实验的设计。 该统计模型的模型系数估计了每个参数的主要、相互作用和曲率效应大小。一般来说，“完整”模型(包含所有可估计项的函数)的模型系数被用作参数效应大小估计。可以使用“简化”模型的系数，即删除了项以提高模型的整体预测能力的函数。高阶效应(如3因子相互作用)不包括在内，因为这种效应具有实际显著性的可能性很低，除非有已知的高阶效应证明。 统计过程模型可基于以下响应量: ●单元运行输出池中CQA响应的绝对值， ●单元运行输入池与输出池之间CQA结果的差值(相减)， ●单元操作输入池和输出池之间的CQA结果的比率或对数变化。 建模的数量必须适合于可用的数据集(例如，输入池结果的可用性)，跨单元操作的变化幅度，以及单元操作中CQA输出的预期变化机制。 当在统计分析中观察到相互作用和曲率效应时，它们被合并到参数效应项中，以说明参数的更复杂的行为。 对于仅在最坏情况下研究的参数，参数效应(影响比分子)等于受应力材料与未受应力材料或控制材料的质量属性值之差。如果这个差异在测定精度范围内，那么即使影响比高于0.10，这些参数也不被认为是CPPs。影响比分母的计算方法如前所述。 众所周知，在研究工艺参数的临界性时，其变化范围的宽度直接影响到观察CQA影响的能力，从而识别CPPs。根据罗氏/基因泰克使用的定义，非-CPPs是在其表征范围内对CQA没有相关影响的参数。 一个简短的例子可以帮助说明影响比的计算。原料药工艺可产生1.0 area-%高分子量物质的平均结果。假设高分子量物质的CQA-TR为3.0 area-%，则在冲击比公式中分母为2.0 area-%。在这种情况下，任何工艺参数转移到其可接受范围的极限，导致高分子量物质增加0.2 area-%将被归类为CPP。 这里的困境是，为了确保参数没有潜在的关键影响，对所有参数的故障边缘进行表征或研究比预期工作范围更宽的任意因素的范围是不实际的或有效的资源优先级。在上面的风险排序和过滤工具的描述中已经提到了这一点。对生产能力的NORs及其与可接受范围的关系的清晰描述是至关重要的。 5.3最差条件链接研究 最差条件链接实验的策略是在最坏情况下执行影响CQA的单元操作，并评估累积的过程范围对CQA输出的影响。通过在这些链接实验的最终工艺池中演示可接受的产品质量，可以确认设计空间在整个过程中的有效性。 最差条件链接研究中包含的工艺参数是使用单个单元操作PC/ PV研究的结果确定的。所有高影响比和低影响比工艺参数都包括在链接研究中。工艺参数设置的方向性基于回归模型的最差条件预测。每一个相关的CQA是由一个以上的单位操作的影响，在一个链接研究实验评估。对于受单个单元操作(如聚糖分配)影响的CQA，单个单元操作的最差条件运行可被视为该CQA的“最差条件链接研究”。 一些单元操作本身是健壮的，不包含影响CQAs的过程参数(例如，早期接种训练阶段，病毒过滤)。一般来说，在链接研究中，这些单元操作是在目标条件下进行的。然而，没有明确确定最坏情况的单元操作和/或工艺参数(可能是由于PC/PV研究中的“平坦”响应)可以包括在他们的理论最差条件中，如果有基于平台知识或既定原则分配最差条件的强大理由。这类参数的示例如下:1)当池中的杂质水平低于测定的定量限制，因此，参数影响无法在单元操作的表征研究中明确确定，2)参数设置基于对单元操作的机制理解，和/或3)参数是在过程表征期间已知的最差条件下测试的(例如，不在DoE中)，因此，无法获得单个参数影响的估计。对于链接研究，这些参数在其理论或已知的最差条件下对选定的质量属性进行测试，以确保过程受到适当的挑战。 如果从数学上将保持时间和温度条件的结果添加到最终的链接研究结果中，则对CQA有影响的进程内池保持时间条件可能不会被实验地包括在链接研究中。这种情况需要表征进程内池保持期间CQA变化的动力学。 图7给出了各种CQAs链接研究的示例摘要，它说明了上面描述的一些概念。带彩色框的单元操作包括在其实验确定的(红框)或理论(黄框(在网页版本中))最差条件下。对给定CQA的链接实验，在目标处进行无色框单元操作。 图7 链接研究的示例摘要。 此外，通过将影响该CQA的所有单元操作的各自CQA的最坏情况输出或变化相加，可以使用来自单个单元操作PC/PV研究的数据进行“计算机”链接。该计算与实验关联研究之间的可比结果大大增加了对机组操作PC/PV研究结果的信心，因为它们可以被解释为数据的外部验证。 将链接研究结果与CQA-TR进行比较。CQA-TR中的链接研究结果表明，即使在整个过程中最坏的情况下，工艺也是稳健的，并且测试的工艺参数可接受范围是可接受的，没有进一步的限制。 CQA-TR外的链接研究结果表明，在最坏情况下，操作单元运行的累积影响可能对产品质量产生不利影响，因此，可接受工艺参数范围值的线性组合可能需要进一步限制。 一般来说，这样的限制可以通过两种方式进行:1)在一个或多个单元操作中缩小一个或多个工艺参数的可接受范围，以防止CQA超过其CQA-TR;2)利用对参数影响幅度和相互作用的理解，禁止将来使用那些产生不可接受结果的工艺参数值组合。后一种选择将允许制造中更大的操作灵活性，但需要定义影响CQA的工艺参数值之间的关系，以及明确的过程，以确保在PALM计划中对累积或顺序的工艺参数目标变化进行适当的管理。 具有特征的多变量可接受范围，有或没有限制，在定义的CQA-TR内交付产品质量，然后可以定义设计空间的限制。重要的是要注意，对于已确定为CPPs和非CPPs的参数，建立这种限制是必要的。罗氏目前的设计空间概念已获得所有主要卫生当局的批准，与CTD S.2.2和P.3.3中提供的总体工艺描述密切相关。这创建了一个清晰的图像，可以被认为是相关的法规变更，并且在创建能力方面向前迈出了一步，可以在减少法规监督的同时，持续改进工艺参数目标，同时保持高水平的持续产品质量。 6.连接到过程影响分数的测试策略定义 利用QbD原则，为MAb制造工艺提供了基于合格模型、合格材料、风险评估、表征和验证研究的设计空间，并辅以连锁研究。利用从建立健壮的设计空间中获得的知识和数据，可以实现同样健壮的属性测试策略。 虽然CQAs的验收标准以及由此衍生的CQA-TR限制了工艺参数的可接受范围，从而限制了设计空间，但工艺表征研究的结果也会影响测试策略，因为ATS评分工具需要定义工艺影响评分。 工艺影响评分表示当工艺在其可接受范围内运行时，CQA可能超出其可接受范围的剩余风险的估计，如CQA-TR所定义的。该方法通过质量属性丰度的过滤器，并具有代表性的缩放和过程模型，并根据过程控制质量属性的鲁棒性分配分数，通过比较最坏情况链接结果与CQA-TR来确定。参考文献描述了进一步的细节和示例。 7.经验教训和未来的机会 7.1经验教训 罗氏/基因泰克QbD方法的发展是一个漫长的旅程，有许多迭代的步骤，从FDA的QbD试点项目开始，继续通过卫生当局在前两个单克隆抗体QbD申请期间的互动。整个方法对公司和卫生当局来说都是新的。测试策略元素之间的新颖性和相互联系引入了复杂性，需要时间来理解和揭示实际结果。然而，这段经历让我意识到，第一次总是最难的。未来的项目将受益于开发的方法来识别pCPPs和CPPs，并定义工艺参数和设计空间的可接受范围。此外，该方法将提供一个标准化的框架，以确保过程验证和表征的协调方法，这对于拥有多个后期项目的大型组织来说是必不可少的。这既有利于公司，因为计划和资源的可预测性更好，也有利于卫生当局更好地了解BLA/MAA的预期内容。 因为仔细和彻底的过程特征应该是任何新开发产品的目标，QbD方法的大多数基本原则(例如，风险评估，统计设计的多变量实验)已经成为基线期望。然而，在组织中引入PC/PV的QbD方法需要了解风险评估、统计和实验设计，这对许多组织成员来说是新的。然而，一旦这种理解根深蒂固，后续项目的工作量就会小得多。QbD方法的机会在于流程的固有稳健性和所收集的信息的质量，这些信息与是否要求设计空间无关。 遵循QbD方法将流程与其输出CQAs紧密地联系在一起。这也可能是一个挑战，因为CQAs和/或其接受标准的后期更改可能会显著影响PC/PV研究的结果。在正确的时间获得正确的信息是很重要的，但如果在项目后期发生变化，也要能够灵活地做出反应。例如，需要列出潜在的CQAs和初步的CQA-ACs，以便对pCPPs进行风险排序和筛选，并进行合理的实验设计和评估。 CQAs / CQA-ACs的最后一分钟更改可能对设计空间和CPPs产生重大影响。为了适应在BLA/MAA提交前不久才确定的CQAs的风险，能够在已经进行的PC/PV研究的样品中分析这些CQAs是很重要的。CQA-ACs的后期变更会影响工艺参数的可接受范围及其作为CPPs或non-CPPs的分类。这种更改甚至可以在将许可证申请提交给审查期间的卫生当局交互之后发生。 设计空间的批准并不排除对变更控制和健全质量体系的需要。仍然需要对设计空间中的变更进行内部控制和治理。然而，批准的设计空间预计将减少卫生当局通知相关的工作量，特别是在批准后将工艺参数目标更改为可接受范围内的实施时间。这样的改变可能是为了优化生产现场计划(例如，培养和保持时间持续时间)，增加工艺产量，稳健性或产品质量(例如，改变一个参数来增加产量或稳健性，需要在另一个参数中进行补补性改变，以保持产品质量属性“以平均为中心”)。 设计空间允许在观察到“工艺漂移”的情况下做出反应，例如，由于原材料的变化而无法主动控制，以保持产品质量在预期水平。在已批准的设计空间内进行此类更改不需要卫生当局通知或预先批准。 对于场地转移和在多个场地生产的产品，预计批准的设计空间将为设施适合性变化/差异的可接受性提供理由，这些变化/差异要求参数目标差异在其可接受范围内(例如，接种密度、补料添加时间、培养和保持时间、柱床高、洗脱池的标准和电导率目标)。众所周知，场地转移需要提交监管文件，但如果场地之间的变化/差异在批准的设计空间内，风险程度可以被证明较低。这种较低的风险可能证明卫生当局更快地审查和/或避免需要预先批准检查。 总之，在设计空间中管理变更可以更积极地管理产品质量。它允许使用工艺参数对CQA结果进行有意义的输入，以考虑原材料的可变性、设施的适合性和优化，以及产量的提高，而不会增加产品质量的风险。 必须承认，尽管所描述的工艺范围可能不同，但BLA/MAA中给出的工艺描述不一定有显著差异。设计空间的描述由在PALM计划中描述的工艺变更的风险类别的描述完成(请参考参考文献)。 在实践中，设计空间概念已被证明是QbD概念完整应用的最大挑战之一。如上所述，第一个困境是制造商创建多变量数据来评估参数的临界性，或者在完全商业制造规模下前瞻性地确认设计空间几乎总是不切实际的。相反，CPPs的识别和设计空间参数的定量限制的设定都取决于SDMs和实验设计的数据，这些数据包括与大规模工艺性能有关的某种程度的剩余不确定性。这一直是挑战审稿人的核心问题，管理剩余风险的适当策略必须定义为参考文献中所描述的。 7.2进一步的展望 本文描述的最坏情况链接方法是一种非常保守的方法，因为它在整个过程中结合了最坏情况设置。人们认识到，最坏情况联系在证明制造过程即使在所有单元操作的工艺参数目标的绝对最坏情况下也能提供可接受的产品质量方面具有理论价值。这些数据具有降低产品质量变化风险的价值，这些变化是由批准后设计空间内的工艺假设变化引起的。然而，这些知识的实用价值是有限的，因为将所有工艺参数目标结合在最坏情况下的设置对于常规的商业制造是不现实的。 在这些条件下运行流程的可能性很小。此外，这种方法可能会限制对正常操作范围进行更改的能力，而正常操作范围可以确保产品质量的一致性和如上所述的持续供应。例如，过程参数范围将根据其对CQAs的影响进行限制，使用包括最坏情况设置下所有参数的最坏情况链接研究。然后，然而，在该产品的生命周期中，随着在制造规模上获得更大的经验，观察到另一个CQA(例如，杂质)的变化。在这种情况下，我们将拥有工艺知识(即PC/PV研究结果和积累的制造知识)，通过移动这些参数子集的工艺目标来纠正这种偏差。这种行动可能会受到不必要的约束，因为将每个参数的限制限制在基于全过程最坏情况联系研究的最坏情况单元操作研究中所展示的限制之外。 此外，最坏情况链接研究本质上是复杂的，因为它们被设计用来测试的条件通常需要额外的操作，而这些操作不是工艺设计的一部分。例如，上一步色谱步骤的最坏情况输出可能是低质量池，但后续步骤的最坏情况输入是高负载密度。这种情况将需要循环色谱步骤和可能增加的浓缩步骤，而这些步骤通常在该工艺中不执行。它们也可能是不现实的，因为在实验期间(例如，浓缩)需要以一种在生产中不可能操作的方式来操作工艺内池。 因此，作为PC/ PV项目战略持续改进的组成部分，罗氏/基因泰克的目标是在没有对每个CQA进行完整的最差条件链接评估的情况下定义设计空间。为支持未来的设计空间要求而提出的工艺链接评估方法将全面评估整个工艺的能力，在适当的情况下，使用单一单元操作最坏情况链接研究、挑战研究、精纯步骤跳过研究和基于模型的链接评估来理解工艺稳健性。这些工艺链接评价要素定义如下: ●单元操作最差条件链接研究：这是一项链接研究，评估一个单元操作的过程参数设定值的最坏情况组合。结果池在由目标工艺参数设定点组成的代表性工艺条件下进行下游处理。对所有相关的产品质量属性重复进行单元操作最坏情况链接研究。 ●基于模型的链接评估：作为实验单元操作最坏情况联动研究的补充，本评估使用一个单元操作的最坏情况工艺参数设定值组合，并使用工艺模型来预测由目标工艺参数设定值组成的代表性工艺条件下下游加工的结果。 ●挑战研究：在上游池中未观察到杂质水平升高的情况下，可使用工艺相关杂质的峰值研究来证明去除特定杂质(例如DNA)的工艺稳健性。 ●精纯步骤跳过研究：本研究通过实验跳过一个单元操作，证明了CQA的充分清除，从而证明了过程的稳健性。 由此产生的一系列工艺链接实验和基于模型的评估探索了每个单元操作的最坏情况，以评估对整个过程的影响。工艺链接相对于最坏链接的示意图如图8所示。它说明了对于工艺链接，整个过程中只有一个单元操作是在最坏情况下执行的，而其他单元操作是在目标条件下运行的。 图8 最坏链接与工艺链接的原理图比较。 对于未来的BLAs/MAAs，罗氏/基因泰克建议根据在目标条件下进行后续下游加工的单元操作研究的最坏情况结果，定义每个单元操作的工艺参数可接受范围。只有当单元操作在最坏情况下与后续目标联动的结果不满足所有CQA的CQA目标范围(CQA- TRs)时，单元操作的工艺参数范围才会受到限制。 上述工艺链接评估还将通知属性测试策略(ATS)，该策略建立控制系统，作为确定过程影响评分的一部分，类似于最坏情况链接研究。工艺影响评分将根据工艺链接评估来确定，其中包括对每个单元操作中最坏情况和整体工艺稳健性的综合评估。因此，工艺链接评估的使用不会改变定义一个稳健的、经过深思熟虑的控制系统的能力，该控制系统确保了整个生命周期中一致的产品质量。此外，当多个CPP目标发生变化时，在进行规模验证之前，PALM计划现在应该要求使用缩小模型对工艺参数目标限制组合进行确认性测试。 全面探索设计空间概念的另一个步骤是再次从设计空间描述中删除non-CPPs。由于ICH Q8设计空间的定义确立了从监管角度来看，设计空间内的更改不被视为更改，因此包括non-CPPs的设计空间定义有助于在MA申请人和HAs之间建立相互理解，即不会发生高风险更改，例如移除单元操作，并且还减少了对某些CPPs可能未被捕获的担忧。在未来，随着行业和HAs对风险评估策略的熟悉程度越来越高，希望一些non-CPPs可能会被排除在设计空间之外，并在药品质量体系(PQS)中进行全面管理，以便更充分地认识到提高工艺理解所带来的好处。最终，希望获得足够的信心，使特定的non-CPPs可能被识别为设计空间之外，并且即使其可接受范围扩大，也可能免于预批准要求。 此外，设计空间的概念可以扩展到工艺描述的更多方面，而不仅仅是参数范围。例如，在未来的申报中，目标可能是允许更灵活地管理原材料，例如允许使用来自多个供应商的色谱填料，以尽量减少供应风险。 8.结论 本文中描述的工具旨在为工艺表征和验证提供系统的方法。起点是用于识别潜在CPPs的风险评估工具。这些工艺参数变化对制造过程的影响在广泛的多元PC/PV研究中进行了评估，这些研究主要是在合格的缩小模型中进行的。这些模型的鉴定是一个非常严格的过程，基于生产批量和小批量的统计测试的比较。进行链接研究是为了评估几个单元操作中不同工艺参数对最终原料药或制剂产品质量的累积影响，并且是申请设计空间的基础。本章中描述的方法和工具是整个QbD方法的重要组成部分。例如，在PC/PC活动开始之前，CQAs的定义是一个明确的先决条件。另一方面，在这些研究中获得的知识用于定义过程影响，这是每个CQA测试策略定义的重要部分。 该方法已成功开发并应用于两种单克隆抗体的工艺表征和备案。虽然建立所有的概念、风险评估和方法需要付出很多努力，但它们提供的框架现在极大地促进和简化了新产品的工艺验证，大大增加了罗氏/基因泰克验证方法的一致性以及在市场应用中提供信息的方式。 这些方法目前在罗氏/基因泰克公司得到充分应用。然而，可以设想未来的改进，以满足以下领域的需求:风险量化的改进，设备和组合产品的扩展，以及两种平台产品的增强备案，这些产品将受益于额外的效率，以及在建立适当的产品和工艺知识库方面呈现新的更大复杂性的新疗法。 文章信息源于公众号抗体圈，登载该文章目的为更广泛的传递行业信息，不代表赞同其观点或对其真实性负责。文章版权归原作者及原出处所有，文章内容仅供参考。本网拥有对此声明的最终解释权，若无意侵犯版权，请联系小编删除。 学如逆水行舟，不进则退； 心似平原走马，易放难收。 行舟Drug 每日更新 欢迎订阅+ 医药大数据|行业动态|政策解读