بررسی دقیق و درک در حال تکامل از تأثیر ناخالصی‌های کپسید در درمان‌های مبتنی بر ویروس آدنو مرتبط با نوترکیب (rAAV) تلاش‌ها را برای حذف آنها از پردازش تسریع کرده است. هیچ رویکرد استاندارد واحدی، بالادست یا پایین دست، وجود ندارد.
در مقاله‌ای اخیر، دانشمندان بریستول مایرز اسکوئیب (BMS) در سیاتل و دانشگاه لوند در سوئد نشان می‌دهند که چگونه مدلسازی مکانیکی برای کروماتوگرافی غشایی تبادل آنیونی می‌تواند توسعه فرآیند rAAV، به حداکثر رساندن غنی‌سازی کامل کپسید، پیش‌بینی دقیق بازده بازیابی و شناسایی سریع را افزایش دهد. شرایط فرآیند بهینه در برابر اهداف خلوص انتخاب شده در یک فضای طراحی گسترده.
آنها دریافتند که استراتژی بهینه شامل دو مرحله است: شستشوی ایزوکراتیک کپسیدهای خالی و سپس شستشوی ایزوکراتیک کپسیدهای کامل. آنها همچنین خاطرنشان کردند که:
- خلوص و بازده تحت تأثیر مرحله 1 pH قرار می گیرد که 9.0 به عنوان بهینه است.
- نیاز به خلوص بالاتر باعث کاهش عملکرد می شود.
- زمان‌های شستشوی کوتاه‌تر، بازده را کاهش می‌دهد، اما بهره‌وری، مصرف بافر و غلظت استخر را بهبود می‌بخشد.
- چالش بارگذاری بر گزینش اثر می گذارد.
- یک همبستگی قوی بین غلظت نمک و طول شستشو در مرحله 1 و بازده و خلوص استخر در مرحله 2 وجود دارد. بنابراین، شماره گیری پارامترهای مرحله 1 مهمترین هدف صنعتی است.
شرایط فرآیند را بهینه می کند
رویکرد مدلسازی دو مزیت عمده دارد. جان موسکاریلو، دکترا، معاون توسعه فرآیند داروی سلول درمانی در BMS، می گوید: «اولین مورد شناسایی سریع شرایط پردازش است که جداسازی AAV خالی-پر مورد نظر را به دست می آورند. ژنرال. هنگامی که مدل‌ها تولید می‌شوند، بررسی یک فضای طراحی بزرگ برای درک مناطقی که خلوص (نسبت بالای rAAV کامل به خالی) و بازده را به درستی متعادل می‌کنند، نسبتاً ساده است. این هم به طور کلی و هم در هنگام اصلاح مدل‌ها برای انطباق با اطلاعات یا سؤالات جدید صادق است.»
مزیت دوم زمانی رخ می دهد که این مدل ها برای پشتیبانی از خصوصیات فرآیند مورد نیاز برای ایجاد یک استراتژی کنترل فرآیند تجاری استفاده می شوند. او می‌گوید: «این مدل‌ها به تعیین بحرانی بودن پارامترهای مختلف پردازش بر اساس تأثیر آنها بر ویژگی‌های کیفیت حیاتی در محدوده‌های عملیاتی عادی کمک می‌کنند». آنها همچنین می توانند برای ایجاد محدوده های قابل قبول برای افزایش انعطاف پذیری تولید استفاده شوند.
Moscariello اشاره می‌کند که مدل‌های مکانیکی محققان را قادر می‌سازد تا به سرعت فضاهای پارامتری وسیعی را بررسی کنند، از جمله فضاهایی که مطالعه تجربی آنها بسیار دشوار است، مانند چگالی لیگاند.
برعکس، مدل‌های تجربی که معمولاً با استفاده از رویکرد طراحی آزمایش تولید می‌شوند، برای مناطق تحقیقاتی با پارامترهای محدود طراحی شده‌اند. او می افزاید: «افزودن پارامترهای اضافی معمولاً به معنای افزایش قابل توجه آزمایش ها یا کاهش قابل توجه دانش به دست آمده، مانند توانایی درک اثرات تعاملی است».
موسکاریلو و همکارانش توصیه کردند: قبل از استفاده از مدلسازی مکانیکی، «ابتدا، برای درک مفروضات اساسی در مدل و اطمینان از اعمال آنها در سیستم خاصی که در حال بررسی هستند، وقت بگذارید.» دوم، به یاد داشته باشید که کیفیت خروجی‌های مدلسازی تحت تأثیر کیفیت ورودی داده‌ها قرار می‌گیرد. در نهایت، در حالی که رویکرد de novo بسیار موثر است، این تنها یا عملا بهترین گزینه نیست. بسیاری از شرکت‌ها شروع به ارائه ابزارها و فن‌آوری‌های قدیمی برای حمایت از تلاش‌های مدلسازی کرده‌اند.