Artikkel
CMC virkelighetssjekk: Risiko i sen fase som påvirker godkjenning
-
Martin Mewies, PhD
-
Thomas de Marchin, PhD
-
Michael Day, PhD
Forstå de viktigste flaskehalsene i CMC-utvikling i sen fase og hvordan de påvirker innsendingssuksess
Biofarmasøytiske selskaper står overfor flere vanlige CMC-utfordringer (kjemi, produksjon og kontroller), som vanligvis dukker opp i sen utvikling og veier tungt på innsendingssuksessen. Nøkkelen blant disse er spesifikasjonsbegrunnelse, prosessvalidering, sammenlignbarhet og produksjonsberedskap.
I sentrum av disse spørsmålene er den overordnede kontrollstrategien: om søkeren kan demonstrere en tilstrekkelig forståelse av råvarer, kritiske prosessparametere, kritiske kvalitetsattributter, analytiske metoder og produksjonsvariasjoner, og vise hvordan disse elementene samlet sikrer konsistent produktkvalitet.
Mange utviklere undervurderer hva som kreves for å oppnå produksjonsberedskap. Hvis regulatorer er i tvil om produktkvalitet, konsistens i produksjonsprosessen eller påliteligheten til data fra kliniske studier, kan det utløse en inspeksjon og kan føre til godkjenningsforsinkelser – eller direkte avslag på søknaden.
I sentrum av disse spørsmålene er den overordnede kontrollstrategien: om søkeren kan demonstrere en tilstrekkelig forståelse av råvarer, kritiske prosessparametere, kritiske kvalitetsattributter, analytiske metoder og produksjonsvariasjoner, og vise hvordan disse elementene samlet sikrer konsistent produktkvalitet.
Mange utviklere undervurderer hva som kreves for å oppnå produksjonsberedskap. Hvis regulatorer er i tvil om produktkvalitet, konsistens i produksjonsprosessen eller påliteligheten til data fra kliniske studier, kan det utløse en inspeksjon og kan føre til godkjenningsforsinkelser – eller direkte avslag på søknaden.
For å navigere i disse flaskehalsene må produsenter nøye vurdere tidlige beslutninger og hvordan de skal tilpasse CMC-strategien til regulatoriske forventninger for å unngå forsinkelser og støtte vellykket godkjenning i første syklus.
Viktige flaskehalser i CMC-utvikling i sen fase
Et problem som ofte blir plukket opp under en gapanalyse er ikke-kompenserende spesifikasjoner, spesielt rundt mikrobiologisk kontroll som avviker fra farmakopémetoder. Et eksempel er biobyrdetesting for biologiske legemidler som divergerer enten av en prosessårsak eller en produktrelatert årsak.
Dette skjer ofte når et lite eller mellomstort selskap er under økonomisk press for å gå raskt fremover og foreslår spesifikasjoner som er satt av en "tommelfingerregel" i stedet for å være forankret i sikkerhet, effektivitet eller prosesskapasitet. Som sådan mangler de dataene som trengs for å rettferdiggjøre spesifikasjonen. Dette gjør det svært utfordrende når produsenten – eller et selskap som har kjøpt produktet – går over til kommersiell produksjon.
En annen grunnårsak er når et produkt utvikles for et bestemt marked, og deretter, som en del av global ekspansjon, ser produsenten ut til å ta det produktet til andre jurisdiksjoner, da små avvik fra farmakopémetoder begynner å bli et problem.
Et tredje problem som ofte observeres er med styrkespesifikasjoner for eldre produkter som ikke lenger stemmer overens med de skjerpede forventningene til European Medicines Agency (EMA) eller US Food and Drug Administration (FDA). I slike situasjoner kan produsenter søke å bringe en spesifikasjon i samsvar med gjeldende forventninger i ettertid. Dette kan være spesielt utfordrende, da det kan være ekstremt kostbart å endre produksjonsprosessen på et sent tidspunkt i både tid og krefter. Utviklere kan også mangle den statistiske ekspertisen som trengs for å etablere og robust begrunne en passende spesifikasjon.
Dette skjer ofte når et lite eller mellomstort selskap er under økonomisk press for å gå raskt fremover og foreslår spesifikasjoner som er satt av en "tommelfingerregel" i stedet for å være forankret i sikkerhet, effektivitet eller prosesskapasitet. Som sådan mangler de dataene som trengs for å rettferdiggjøre spesifikasjonen. Dette gjør det svært utfordrende når produsenten – eller et selskap som har kjøpt produktet – går over til kommersiell produksjon.
En annen grunnårsak er når et produkt utvikles for et bestemt marked, og deretter, som en del av global ekspansjon, ser produsenten ut til å ta det produktet til andre jurisdiksjoner, da små avvik fra farmakopémetoder begynner å bli et problem.
Et tredje problem som ofte observeres er med styrkespesifikasjoner for eldre produkter som ikke lenger stemmer overens med de skjerpede forventningene til European Medicines Agency (EMA) eller US Food and Drug Administration (FDA). I slike situasjoner kan produsenter søke å bringe en spesifikasjon i samsvar med gjeldende forventninger i ettertid. Dette kan være spesielt utfordrende, da det kan være ekstremt kostbart å endre produksjonsprosessen på et sent tidspunkt i både tid og krefter. Utviklere kan også mangle den statistiske ekspertisen som trengs for å etablere og robust begrunne en passende spesifikasjon.
Det er sannsynlig at det på et tidspunkt i produktets livssyklus vil være en endring av produksjonssted, et behov for å skalere opp, eller potensielt et eierskifte. Hvert av disse scenariene vil kreve en sammenlignbarhetsøvelse for å demonstrere at de aktuelle endringene ikke kompromitterer produktsikkerhet eller effekt.
Dessverre gjør hull i historiske data det ofte vanskelig å etablere en troverdig bro mellom det gamle stedet og det nye stedet, en oppgave som blir mer kompleks hvis det er prosess- eller analytiske endringer over tid. Disse hullene blir ofte tydelige når et stort selskap kjøper eiendelene til mindre utviklere og trenger å flytte produksjonslinjene, bare for å finne det vanskelig å forene spesifikasjonene med produksjonsvirkeligheten.
En robust sammenlignbarhetsøvelse krever også klart definerte akseptkriterier. I praksis vil det alltid være en viss grad av forskjell etter en endring, enten det kan tilskrives selve endringen eller den naturlige variasjonen som ligger i både prosessen og måleutstyret, spesielt når data er begrenset. Å etablere passende ekvivalensmarginer og velge en solid statistisk tilnærming for å demonstrere sammenlignbarhet er derfor blant de mest krevende aspektene ved øvelsen.
For mange selskaper, spesielt mindre utviklere som er avhengige av kontraktsproduksjonsorganisasjoner (CMOer), kan dårlig styring av prosessen og ufullstendig dokumentasjon være enormt problematisk. Hvis uløste resultater eller avvik utenfor spesifikasjonene ikke registreres riktig eller årsaken ikke identifiseres, kan det ha en betydelig ringvirkning senere og vil være vanskelig å forklare for regulatorer, noe som reduserer tilliten.
Dessverre gjør hull i historiske data det ofte vanskelig å etablere en troverdig bro mellom det gamle stedet og det nye stedet, en oppgave som blir mer kompleks hvis det er prosess- eller analytiske endringer over tid. Disse hullene blir ofte tydelige når et stort selskap kjøper eiendelene til mindre utviklere og trenger å flytte produksjonslinjene, bare for å finne det vanskelig å forene spesifikasjonene med produksjonsvirkeligheten.
En robust sammenlignbarhetsøvelse krever også klart definerte akseptkriterier. I praksis vil det alltid være en viss grad av forskjell etter en endring, enten det kan tilskrives selve endringen eller den naturlige variasjonen som ligger i både prosessen og måleutstyret, spesielt når data er begrenset. Å etablere passende ekvivalensmarginer og velge en solid statistisk tilnærming for å demonstrere sammenlignbarhet er derfor blant de mest krevende aspektene ved øvelsen.
For mange selskaper, spesielt mindre utviklere som er avhengige av kontraktsproduksjonsorganisasjoner (CMOer), kan dårlig styring av prosessen og ufullstendig dokumentasjon være enormt problematisk. Hvis uløste resultater eller avvik utenfor spesifikasjonene ikke registreres riktig eller årsaken ikke identifiseres, kan det ha en betydelig ringvirkning senere og vil være vanskelig å forklare for regulatorer, noe som reduserer tilliten.
En annen hyppig utfordring i sen fase er å oppdage at analytiske metoder som var tilstrekkelige under utviklingen ikke er tilstrekkelig robuste for kommersiell utgivelse, stabilitetstesting eller metodeoverføring. Metodevalidering, kvalifisering, overføring, referansestandardstrategi og livssyklusstyring må derfor vurderes i god tid før innlevering.
I tillegg til dette har utviklende regulatoriske forventninger rundt kvalitet ved design (QbD), sammen med stadig strengere konfidenskrav, hevet standarden for eksperimentell design og de statistiske rammeverkene som brukes til å analysere dataene.
Stabilitetsprogrammer kan by på lignende problemer. Utilstrekkelige tidspunkter, endringer i analysemetodikk under utvikling, utilstrekkelig sammenlignbarhet mellom utviklings- og kommersielle batcher, eller et utilstrekkelig antall representative batcher i kommersiell skala, kan begrense holdbarheten som regulatorer er villige til å akseptere ved godkjenning.
Disse manglene er spesielt vanskelige å utbedre sent i prosessen, da de manglende dataene ofte ikke kan rekonstrueres eller ekstrapoleres og kan kreve at ytterligere langsiktige stabilitetsdata genereres. Dette kan føre til kostbare og unngåelige forsinkelser.
I tillegg til dette har utviklende regulatoriske forventninger rundt kvalitet ved design (QbD), sammen med stadig strengere konfidenskrav, hevet standarden for eksperimentell design og de statistiske rammeverkene som brukes til å analysere dataene.
Stabilitetsprogrammer kan by på lignende problemer. Utilstrekkelige tidspunkter, endringer i analysemetodikk under utvikling, utilstrekkelig sammenlignbarhet mellom utviklings- og kommersielle batcher, eller et utilstrekkelig antall representative batcher i kommersiell skala, kan begrense holdbarheten som regulatorer er villige til å akseptere ved godkjenning.
Disse manglene er spesielt vanskelige å utbedre sent i prosessen, da de manglende dataene ofte ikke kan rekonstrueres eller ekstrapoleres og kan kreve at ytterligere langsiktige stabilitetsdata genereres. Dette kan føre til kostbare og unngåelige forsinkelser.
Et problem som ofte oppstår er prosessvalidering og en overdreven avhengighet av de tradisjonelle "tre valideringsbatchene" som standard. Moderne livssyklustilnærminger til prosessvalidering forventer at omfanget av prosessytelseskvalifisering (PPQ) er vitenskapelig basert og risikobasert, med tanke på prosesskunnskap, variasjon, produksjonserfaring, skala og PPQ-programmets evne til å gi tilstrekkelig sikkerhet for fortsatt prosessytelse.
Statistiske tilnærminger kan spille en viktig rolle i å demonstrere denne forsikringen i stedet for bare å stole på et forhåndsbestemt antall batcher.
Utilstrekkelige eller dårlig utformede eksperimenter vil påvirke kunnskapen om produktet og robustheten til CMC-prosessen, noe som vil resultere i valideringsproblemer senere i utviklingen.
Statistiske tilnærminger kan spille en viktig rolle i å demonstrere denne forsikringen i stedet for bare å stole på et forhåndsbestemt antall batcher.
Utilstrekkelige eller dårlig utformede eksperimenter vil påvirke kunnskapen om produktet og robustheten til CMC-prosessen, noe som vil resultere i valideringsproblemer senere i utviklingen.
En praktisk tilnærming til håndtering av flaskehalser
Mange av flaskehalsene som oppstår gjør det på grunn av kortsiktig tenkning, dårlig datastyring, mangel på tilsyn med CRO-er eller produksjonsprosessen generelt, og snevert fokuserte due diligence-prosesser.
Produsenter kan redusere risikoen for at problemer i sen fase oppstår med tidlig planlegging og ved å ta i bruk en risikobasert tilnærming til produksjonsprosessen. For eksempel kan divergenser i farmakopémetoder reduseres ved å vurdere tilpasning på tvers av alle tiltenkte markeder fra begynnelsen av i stedet for som en ettertanke under global ekspansjon.
Det er viktig at produsenter bygger produktkunnskap fra et tidligst mulig stadium og forstår og dokumenterer de kritiske kvalitetsegenskapene. Produsenter må investere i tilstrekkelige tester for å forstå prosesskapasitet og potensielle risikoer, og angi meningsfulle, forsvarlige spesifikasjoner.
Samtidig, ved å bruke QbD-tenkning fra begynnelsen, vil produsenter kunne oppnå større og mer robust prosesskunnskap, ofte med færre eksperimenter. Riktig datastruktur (for eksempel prøvetaking på informative tidspunkter i stabilitetsstudier) kan gjøre 100 godt utformede datapunkter kraftigere enn 1,000 dårlig innsamlede punkter.
Produsenter kan redusere risikoen for at problemer i sen fase oppstår med tidlig planlegging og ved å ta i bruk en risikobasert tilnærming til produksjonsprosessen. For eksempel kan divergenser i farmakopémetoder reduseres ved å vurdere tilpasning på tvers av alle tiltenkte markeder fra begynnelsen av i stedet for som en ettertanke under global ekspansjon.
Det er viktig at produsenter bygger produktkunnskap fra et tidligst mulig stadium og forstår og dokumenterer de kritiske kvalitetsegenskapene. Produsenter må investere i tilstrekkelige tester for å forstå prosesskapasitet og potensielle risikoer, og angi meningsfulle, forsvarlige spesifikasjoner.
Samtidig, ved å bruke QbD-tenkning fra begynnelsen, vil produsenter kunne oppnå større og mer robust prosesskunnskap, ofte med færre eksperimenter. Riktig datastruktur (for eksempel prøvetaking på informative tidspunkter i stabilitetsstudier) kan gjøre 100 godt utformede datapunkter kraftigere enn 1,000 dårlig innsamlede punkter.
Tilsyn og ekspertengasjement
Riktig tilsyn med interessenter og data er avgjørende. Når de arbeider med CMO-er, må produsenter etablere klare kontraktskrav for komplette datapakker, rettidig avviksdokumentasjon og rotårsaksanalyse av avvik. Dette betyr å behandle CMO-datastyring som en CMC-risiko og et krav.
Produsenter kan også bidra til å redusere senere problemer ved å bringe inn regulatoriske og CMC-eksperter for å utføre tidlig gapanalyse og identifisere hvor spesifikasjoner kan trenge å strammes inn eller begrunnes med byråer.
Produsenter kan også bidra til å redusere senere problemer ved å bringe inn regulatoriske og CMC-eksperter for å utføre tidlig gapanalyse og identifisere hvor spesifikasjoner kan trenge å strammes inn eller begrunnes med byråer.
I tillegg, for å sikre at data som samles inn er av tilstrekkelig kvalitet, bør produsenter vurdere å hente inn statistikere tidlig for å veilede hvordan data skal samles inn i stedet for å bli hentet inn i etterkant bare for å analysere dataene. Å ha data av god kvalitet fra starten av gjør det enklere å:
- Foreslå og forsvare spesifikasjoner som er både forskriftsmessige og produserbare
- Vitenskapelig og statistisk begrunne beslutninger
- Bygg troverdige sammenlignbarhetsbroer ved hjelp av historiske data, slik at du unngår behovet for å regenerere grupper på avsendersteder
- Vis produksjonsevne tydelig under aktsomhetsvurdering eller, der det er relevant, oppkjøpsgjennomgang
Konklusjon: En filosofi om dataintegritet
Det som underbygger alle CMC-aktiviteter, og vil være avgjørende for en god regulatorisk innlevering, er tilgjengeligheten av tilstrekkelige og hensiktsmessige data generert fra de tidligste utviklingsstadiene. For å forhindre og overvinne CMC-problemene som ofte oppstår senere i utviklingen, bør produsenter behandle dataintegritet som en produksjonsfilosofi, ikke bare en avmerkingsboks for samsvar.
Om forfatterne:
Martin Mewies, PhD, er Director, Regulatory Affairs, CMC, hos Cencora. Han har over 30 års erfaring innen proteinbiokjemi, med mer enn 20 år innen biologisk CMC/regulatorisk.
Thomas de Marchin, PhD, er assisterende direktør for statistikk og datavitenskap hos Cencora, hvor han bruker avanserte statistiske metoder og maskinlæringsalgoritmer for å optimalisere legemiddeloppdagelse og produksjonseffektivitet. Med dyp ekspertise innen overholdelse av regelverk – spesielt FDA- og GMP-standarder – bygger han bro mellom komplekse analytiske tilnærminger og praktiske farmasøytiske anvendelser.
Michael Day, PhD, er Senior Director of Regulatory Strategy og CMC hos Cencora. Han har mer enn 25 års regulatorisk, CMC og kvalitetserfaring, inkludert direkte interaksjoner med FDA om CRL- og BLA-innsendinger innen celle- og genterapier.
Thomas de Marchin, PhD, er assisterende direktør for statistikk og datavitenskap hos Cencora, hvor han bruker avanserte statistiske metoder og maskinlæringsalgoritmer for å optimalisere legemiddeloppdagelse og produksjonseffektivitet. Med dyp ekspertise innen overholdelse av regelverk – spesielt FDA- og GMP-standarder – bygger han bro mellom komplekse analytiske tilnærminger og praktiske farmasøytiske anvendelser.
Michael Day, PhD, er Senior Director of Regulatory Strategy og CMC hos Cencora. Han har mer enn 25 års regulatorisk, CMC og kvalitetserfaring, inkludert direkte interaksjoner med FDA om CRL- og BLA-innsendinger innen celle- og genterapier.
Ansvarserklæring:
Informasjonen i denne artikkelen utgjør ikke juridisk rådgivning. Cencora, Inc. oppfordrer leserne på det sterkeste til å gjennomgå tilgjengelig informasjon relatert til emnene som diskuteres og stole på sin egen erfaring og ekspertise når de tar beslutninger relatert til dette.
