Fabrication sous contrat (CDMO)
Faire en sorte que la petite échelle prédise la grande
Un façonnier microbien veut que ses historiques d’essais à deux échelles indiquent, avant une campagne, comment un procédé transféré se comportera à pleine échelle.
Le défi
Chaque transfert réapprend la même leçon : ce que montrait l’échelle de développement ne se transpose pas entièrement à l’échelle de production, et l’écart se découvre en menant la campagne. Le transfert d’oxygène, les gradients de mélange et les fenêtres étroites d’alimentation et d’induction sont précisément là où les échelles cessent de se comporter de la même manière.
Protéines recombinantes, ADN plasmidique, fragments d’anticorps et vaccins se partagent les trains, avec peu de répétitions par procédé : l’expérience s’accumule lentement et reste aux mains de quelques personnes. Une surprise au changement d’échelle, c’est un retard pour le client, et il retombe sur le façonnier.
Le client
Un façonnier européen cGMP de produits biologiques microbiens (E. coli et levure), qui exploite un train de fermentation à l’échelle de développement et un autre à l’échelle de production.
Notre approche
Nous construisons un modèle golden batch par train à partir des essais historiques, puis nous comparons les deux. Le jumeau fournit :
- une alerte en direct lorsqu’une campagne s’écarte du profil des essais réussis
- la variable déviante désignée, pas recherchée
- un constat chiffré de ce qui change systématiquement quand un procédé passe du petit train au grand
Effets estimés
54% vs 12%
score de déviation d’un mauvais lot par rapport à un bon
Benchmark golden batch publié sur 100 lots de fermentation simulés, avec le pH et l’oxygène dissous comme principaux contributeurs. Données simulées, pas un résultat d’usine.
20+ ans
de surveillance multivariée des lots en fermentation industrielle
Documentée dans des usines de production depuis 2001 et décrite comme un outil PAT pour la culture biopharmaceutique.
1 modèle, 2 échelles
une relation d’échelle réutilisable
Elle décrit l’équipement propre au façonnier, et non la molécule d’un client, et s’améliore à chaque nouveau procédé.
Nous ne promettons pas de pourcentage. La part de l’écart entre les deux échelles expliquée par les signaux enregistrés est précisément ce que mesure la phase 0, sur les historiques d’essais du fabricant.
Déroulement du PoC
-
01
Phase 0 · 4 semaines
Évaluation des données ; périmètre et critères de réussite figés.
-
02
Tampon données · 2–4 semaines
Nettoyage, numérisation et alignement temporel des données d’essai.
-
03
Phase 1 · 8–12 semaines
Modèles par train, comparaison des échelles, tests sur des essais mis de côté.
-
04
Étape suivante
Utiliser le modèle d’échelle lors du prochain transfert client.
Ce que nous avons demandé
-
Description des trains
Des P&ID ou des schémas des deux trains de fermentation, avec les points de mesure et leurs plages.
-
Tendances des essais
Température, pH, oxygène dissous, agitation, débit d’air et enrichissement en oxygène, débit d’alimentation, gaz de sortie lorsqu’ils sont enregistrés.
-
Résultats des essais
Densité cellulaire finale et titre ou rendement par essai, ainsi que les échantillons en cours de procédé s’ils ont été prélevés.
-
Historique des essais
Numéro d’essai, échelle, organisme hôte, point d’induction, lot de milieu et déviations enregistrées.
Ce que vous obtenez
-
Moins de surprises
Lors de la première campagne d’un client à pleine échelle.
-
Des investigations plus rapides
Une hypothèse de départ au lieu d’une page blanche.
-
Un argument commercial
Une preuve de constance, proposée aux clients dans le cadre du service.
-
Un savoir cumulatif
Chaque nouveau procédé améliore le modèle d’échelle.
Les données clients restent à l’écart : les procédés peuvent être anonymisés sous forme d’identifiants, sans molécules ni séquences ; le modèle apprend l’équipement, pas les produits des clients. Le travail se fait sur une copie des données historiques, hors GxP, sans nouveau capteur, intégration informatique ni accès à distance pour démarrer.
Vous avez un procédé similaire ?
Parlez-nous-en. Nous vous dirons où un modèle est rentable en premier et de quelles données vous auriez besoin.
Planifier un échange technique