Makale
Biyolojik üretimde dijital ikizler ve hibrit modeller: Bir model karşılaştırması
-
Thomas de Marchin
Dijital ikiz teknolojisi, ilaç geliştirme ve üretiminde dönüşümsel bir rol oynama potansiyeline sahiptir.
İlk makalemizde Dijital İkizler ve Hibrit Modelleme Daha İyi Üretim için Hücre Kültürü Sürecini Nasıl Optimize Eder?, biyolojik üretimi optimize etmek için veriye dayalı ve mekanik modelleri birleştiren sanal kopyalar olarak biyoprosesler için dijital ikizler vizyonumuzu tanıttık. Hibrit modellerin gerçek zamanlı optimizasyonu, ölçek büyütmeyi ve mevzuat uyumluluğunu nasıl destekleyebileceğini gösterdik. Dijital ikizler, kişiselleştirilmiş tedavilere göre uyarlanmış küçük partilerin uyarlanabilir üretimini mümkün kıldıkları için kişiselleştirilmiş tıp ve hücre ve gen tedavileri için özellikle önemlidir.1
Bu ikinci makalede, bir perfüzyon biyoreaktöründe canlı hücre yoğunluğunu (VCD) ve ürün birikimini (üretkenliğin temel parametreleri) tahmin etmek için klasik veriye dayalı bir modeli hibrit bir modelle karşılaştırarak teoriyi uygulamaya koyduk.
Dijital ikizlerin, yenilikçilerin aşağıdaki gibi soruları yanıtlamasını nasıl sağladığını gösteriyoruz:
Bu ikinci makalede, bir perfüzyon biyoreaktöründe canlı hücre yoğunluğunu (VCD) ve ürün birikimini (üretkenliğin temel parametreleri) tahmin etmek için klasik veriye dayalı bir modeli hibrit bir modelle karşılaştırarak teoriyi uygulamaya koyduk.
Dijital ikizlerin, yenilikçilerin aşağıdaki gibi soruları yanıtlamasını nasıl sağladığını gösteriyoruz:
- Hücre büyümesini ve üretkenliğini en üst düzeye çıkarmak için en uygun koşulları nasıl belirleyebiliriz?
- Substrat tükenmesini ve hücre yoğunluğunun çökmesini önlemek için perfüzyonu ne zaman başlatmalı ve besleme stratejilerini ayarlamalıyız?
- Kararsızlığın erken belirtilerini tespit edebilir miyiz ve biyoreaktördeki substrat konsantrasyonu gibi ölçülmesi zor parametreleri tahmin edebilir miyiz?
Şekil 1: Bir perfüzyon biyoreaktörünün çizimi
Örnek Olay İncelemesi: Perfüzyon Biyoreaktör hücre kültürü modellemesi
Şekil 1: Bir perfüzyon biyoreaktörünün çizimi
Bir perfüzyon biyoreaktöründe, atık ve ürün uzaklaştırılırken hücrelere sürekli olarak taze besinler verilir, ancak hücrelerin kendileri korunur. Bu, hücrelerin uzun süreler boyunca gelişebileceği, daha yüksek hücre yoğunluklarına ve artan üretkenliğe yol açan istikrarlı, besin açısından zengin bir ortam yaratır. Perfüzyon biyoreaktörleri, biyolojik ürünlerin üretiminde yaygın olarak kullanılmaktadır.2
Tahmine dayalı modeller kullanılarak substrat konsantrasyonu, sıcaklık veya ajitasyon gibi proses parametrelerinin yanı sıra canlı hücre yoğunluğu (VCD) veya ürün birikimi gibi özelliklerin modellenmesi, ilaç prosesi karakterizasyonunda çok önemli bir adımdır.3
Tahmine dayalı modeller kullanılarak substrat konsantrasyonu, sıcaklık veya ajitasyon gibi proses parametrelerinin yanı sıra canlı hücre yoğunluğu (VCD) veya ürün birikimi gibi özelliklerin modellenmesi, ilaç prosesi karakterizasyonunda çok önemli bir adımdır.3
Şekil 1: Bir perfüzyon biyoreaktörünün çizimi
Klasik biyoreaktör modellemesi tipik olarak, tahminlerde bulunmak için basit matematiksel fonksiyonların (çizgiler veya eğriler gibi) deneysel verilere uydurulduğu tamamen veriye dayalı yaklaşımlara dayanır. 3 Bu yöntem basit ve hesaplama açısından verimli olmasına rağmen, genellikle sistemi yönlendiren altta yatan biyolojik veya fiziksel mekanizmaları yakalayamaz. Sonuç olarak, belirli sonuçların neden oluştuğuna dair sınırlı bir içgörü sağlar ve eğitim veri aralığının ötesinde genelleme yapmakta zorlanır.
Ayrıca, veriye dayalı yöntemler, ilaç geliştirmede yaygın olan çok sayıda proses parametresini ve sınırlı deneysel verileri içeren karmaşık sistemlerle uğraşırken zorluklarla karşılaşmaktadır. Mekanistik veya hibrit modeller, biyolojik ve fiziksel yasalar biçiminde önceki süreç bilgilerini birleştirerek bu sorunların bazılarını çözer. 4 Bu nedenle, klasik veriye dayalı modeller yararlı bir başlangıç noktası olarak hizmet ederken, mekanik bilgiyi hibrit yaklaşımlarla entegre etmenin tahmin gücünü artırdığına ve biyoreaktörlerde daha iyi proses optimizasyonunu kolaylaştırdığına inanıyoruz.
Ayrıca, veriye dayalı yöntemler, ilaç geliştirmede yaygın olan çok sayıda proses parametresini ve sınırlı deneysel verileri içeren karmaşık sistemlerle uğraşırken zorluklarla karşılaşmaktadır. Mekanistik veya hibrit modeller, biyolojik ve fiziksel yasalar biçiminde önceki süreç bilgilerini birleştirerek bu sorunların bazılarını çözer. 4 Bu nedenle, klasik veriye dayalı modeller yararlı bir başlangıç noktası olarak hizmet ederken, mekanik bilgiyi hibrit yaklaşımlarla entegre etmenin tahmin gücünü artırdığına ve biyoreaktörlerde daha iyi proses optimizasyonunu kolaylaştırdığına inanıyoruz.
Besin tüketim oranları ve metabolik yollar gibi mekanik bilgileri, karmaşık veya az anlaşılmış yönleri yakalayan veriye dayalı makine öğrenimi bileşenleriyle entegre eden hibrit bir model geliştirdik. Mekanik kısım, önceki süreç bilgisinin sağlam bir temelini sağlarken, makine öğrenimi bileşeni bilinmeyen davranışları modeller. Hibrit modeller, ekstrapolasyonda gelişmiş sağlamlık sunar ve değişen koşullar altında hücre büyüme oranlarındaki ve besin alımındaki değişiklikler gibi dinamik davranışları doğru bir şekilde yakalayabilir. Geliştirmeleri daha karmaşık olsa da, kapsamlı deneme ihtiyacını azaltabilir ve mevcut modellerin ürünler arasında yeniden kullanılmasını sağlayabilirler. Ayrıca, karakterizasyon sırasında proses anlayışını iyileştirerek (FDA Aşama 1) ve belirli partiler için gerçek zamanlı kontrol limitlerinin geliştirilmesini destekleyerek (FDA Aşama 3) gerçek zamanlı optimizasyon, tahmine dayalı ölçek büyütme ve mevzuata uygunluk konularında da mükemmeldirler.
Hibrit modelimiz, proses parametrelerini girdi olarak alır ve biyokütle ve ürün oluşumu için oranlar, verimler ve plato seviyeleri gibi biyolojik değişkenleri tahmin eder. Bu tahmin edilen parametreler daha sonra biyoreaktörün zaman içindeki dinamik tepkilerini hesaplayan bir adi diferansiyel denklemler (ODE'ler) sistemine beslenir. Şekil 2, hem klasik tamamen veri odaklı yaklaşımın hem de hibrit yaklaşımın temel adımlarını göstermektedir.
Hibrit modelimiz, proses parametrelerini girdi olarak alır ve biyokütle ve ürün oluşumu için oranlar, verimler ve plato seviyeleri gibi biyolojik değişkenleri tahmin eder. Bu tahmin edilen parametreler daha sonra biyoreaktörün zaman içindeki dinamik tepkilerini hesaplayan bir adi diferansiyel denklemler (ODE'ler) sistemine beslenir. Şekil 2, hem klasik tamamen veri odaklı yaklaşımın hem de hibrit yaklaşımın temel adımlarını göstermektedir.
Şekil 2: Veriye dayalı ve hibrit modellerin karşılaştırılması
Her iki yaklaşımı da değerlendirmek için, zaman içinde biyokütle büyümesi, ürün oluşumu ve glikoz tüketiminin farklı dinamiklerini yakalayan sıcaklık (20-40 °C) ve çalkalama hızı (150-350 rpm) arasında değişen 29 deneyi simüle ettik (Şekil 3). Model 21 deney üzerinde eğitildi. Performans daha sonra dört görünmeyen deneyden oluşan iki set üzerinde test edildi: biri enterpolasyon yeteneğini değerlendirmek için eğitim alanı içinde (test1) ve diğeri ekstrapolasyon ve genellemeyi değerlendirmek için bu alanın dışında (test2).
Şekil 3: Modelleri eğitmek ve test etmek için kullanılan verilerin deneysel alanı. Test 1 veri kümesi, eğitim veri kümesinin deneysel etki alanı içinde, test 2 veri kümesi ise dışında yer alır.
Şekil 3: Modelleri eğitmek ve test etmek için kullanılan verilerin deneysel alanı. Test 1 veri kümesi, eğitim veri kümesinin deneysel etki alanı içinde, test 2 veri kümesi ise dışında yer alır.
Şekil 4 ve Şekil 5, iki test veri kümesindeki tahminleri göstermektedir. Hibrit modelin (yeşil) verilere (kırmızı noktalar) klasik yaklaşımdan (mavi) daha iyi uyduğunu görebiliriz. Bu aynı zamanda, tahmin edilen ve gözlemlenen değerler arasındaki ortalama farkı ölçen yaygın bir tahmin doğruluğu ölçüsü olan Kök Ortalama Kare Hatasını (RMSE) gösteren Şekil 6'da da gösterilmiştir . RMSE ne kadar küçük olursa, modelin tahmin performansı o kadar iyi olur. Hibrit model, her iki alanda da klasik yaklaşımdan sürekli olarak daha düşük RMSE elde eder. Bu, hibrit modelin daha iyi genelleme yaptığını ve eğitim koşullarının ötesinde tahminde bulunurken bile daha doğru tahminler yaptığını gösterir.
Şekil 4: Deneysel etki alanı veri kümesi için hibrit model (yeşil) ve klasik (mavi) yaklaşımla veriler (kırmızı) ve tahminler.
Şekil 5: Dış deneysel etki alanı veri kümesi için hibrit model (yeşil) ve klasik (mavi) yaklaşımla veriler (kırmızı) ve tahminler.
Şekil 6: RMSE (ortalama karekök hatası) ile ölçülen Klasik ve Hibrit modelleme yaklaşımlarının tahmine dayalı performans karşılaştırması. Daha düşük RMSE değerleri, daha iyi tahmin doğruluğunu gösterir.
Örnek olay incelememizin gösterdiği gibi, hibrit modeller yalnızca eğitim alanına uymakla kalmaz, aynı zamanda gerçek dünyadaki ilaç üretimi için önemli bir özellik olan yeni koşullara göre tahminde bulunurken çok daha fazla sağlamlık gösterir. Bu, bu tür modellemelerin yaygın olarak kullanılan klasik yaklaşımlara göre üstünlüğünü açıkça göstermektedir.
Tarihsel olarak, hibrit modellerin oluşturulması ve takılması, matematik ve veri biliminde uzmanlık bilgisi gerektiriyordu ve bu da birçok şirkette erişilebilirliklerini sınırlıyordu. Ancak bu manzara, Şekil 7'de gösterilen TwinLab gibi kullanıcı dostu uygulamaların ortaya çıkmasıyla değişiyor. Bu uygulamayı, derin teknik uzmanlığa sahip olmayan kullanıcıların farklı süreç senaryolarını kolayca keşfetmelerini ve sonuçları tahmin etmelerini sağlamak için oluşturduk. Bu tür araçlar, gelişmiş hibrit modellemeyi pratik ve eyleme geçirilebilir hale getirerek, sezgisel arayüzler aracılığıyla mekanik bilgiyi veriye dayalı içgörülerle entegre ederek bilim insanlarını ve mühendisleri biyoproses geliştirmede destekler.
Tarihsel olarak, hibrit modellerin oluşturulması ve takılması, matematik ve veri biliminde uzmanlık bilgisi gerektiriyordu ve bu da birçok şirkette erişilebilirliklerini sınırlıyordu. Ancak bu manzara, Şekil 7'de gösterilen TwinLab gibi kullanıcı dostu uygulamaların ortaya çıkmasıyla değişiyor. Bu uygulamayı, derin teknik uzmanlığa sahip olmayan kullanıcıların farklı süreç senaryolarını kolayca keşfetmelerini ve sonuçları tahmin etmelerini sağlamak için oluşturduk. Bu tür araçlar, gelişmiş hibrit modellemeyi pratik ve eyleme geçirilebilir hale getirerek, sezgisel arayüzler aracılığıyla mekanik bilgiyi veriye dayalı içgörülerle entegre ederek bilim insanlarını ve mühendisleri biyoproses geliştirmede destekler.
Şekil 7: Çalkalama hızı, sıcaklık, seyreltme hızı, yemdeki substrat konsantrasyonu ve ilk tohum konsantrasyonu dahil olmak üzere temel proses parametrelerini değiştirerek senaryo analizine olanak tanıyan simülasyon uygulaması. Bu girdiler, canlı hücre yoğunluğu (VCD), ürün oluşumu ve substrat tüketiminin zaman kurslarını tahmin eden hibrit bir model tarafından işlenir.
Hibrit bir modelle bile, tahmin doğruluğu mükemmel değildir ve eğitim için 21 örnek gerektirmek, özellikle bu hacimde yüksek kaliteli verileri kolayca üretemeyen küçük biyoteknoloji şirketleri için bir engel oluşturabilir. Çeşitli yaklaşımlar bu sınırlamanın ele alınmasına yardımcı olabilir.
Bir yaklaşım, deneylerin akıllı tasarımını uygulamaktır. Bir yandan, proses parametre alanını kapsamak çok önemli olmaya devam ederken, bu tür mekanik modeller için en uygun tasarımlar, bilginin en alakalı olduğu yerlerde yeterli veri desteğinin sağlanmasına yardımcı olur. Öte yandan, mekanik olarak bilgilendirilmiş Bayes optimizasyonu, deneysel alanı hızlı bir şekilde kapsamak için ilk adım olabilirken, alanın uygun şekilde kapsanması konusunda dikkatli olunması gerekir.
Diğer bir çözüm, tek bir deneyde (örneğin biyoreaktör çalışması) proses parametrelerinde kasıtlı değişimler getiren Yoğunlaştırılmış Deney Tasarımı'nın (iDoE) kullanılmasıdır. Bu strateji, birden fazla geleneksel DoE kombinasyonunu etkili bir şekilde daha az sayıda deneysel çalıştırmaya yoğunlaştırır ve böylece deney başına elde edilen bilgileri en üst düzeye çıkarır.
Son olarak, daha iddialı ama son derece umut verici bir strateji, önceden eğitilmiş dijital ikizlerden yararlanmayı içerir. Bu senaryoda, hibrit model ilk olarak, ChatGPT gibi büyük dil modellerinin nasıl geliştirildiğine benzer şekilde, çeşitli kaynaklardan toplanan binlerce deneysel veri kümesi üzerinde önceden eğitilecektir. Kullanıcılar daha sonra kendi sınırlı eğitim verilerini kullanarak modeli kullanabilir ve iyileştirebilir, ilgili herkes için performansını sürekli olarak iyileştirebilir ve sonuçta hem kullanıcılara hem de hastalara fayda sağlayabilir. Tescilli verileri korumak için platform, kullanıcıların dijital ikizi işbirliği içinde geliştirmelerini sağlayan gizliliği koruyan bir yaklaşım olan birleşik öğrenmeyi uygulayacak. Bu yöntem, bireysel deneysel verilerin gizli kalmasını ve kullanıcılar arasında hiçbir zaman doğrudan paylaşılmamasını sağlarken, sürekli gelişen bir kolektif modele katkıda bulunmaya devam eder.
iDoE ve Bayes optimal tasarımlarının kullanımı da dahil olmak üzere daha iyi tahminleri desteklemek için dijital ikizin ve istatistiksel metodolojilerin potansiyelini keşfetmeye devam edeceğiz.
Not: Sonuçlar, BioWin ASBL'nin yardımı ve Bölge'nin mali desteğiyle, Hibe Sözleşmesi (Sözleşme 8881 ATMP Thérapie cellulaire) hükümlerine uygun olarak üretilmiştir.
Bir yaklaşım, deneylerin akıllı tasarımını uygulamaktır. Bir yandan, proses parametre alanını kapsamak çok önemli olmaya devam ederken, bu tür mekanik modeller için en uygun tasarımlar, bilginin en alakalı olduğu yerlerde yeterli veri desteğinin sağlanmasına yardımcı olur. Öte yandan, mekanik olarak bilgilendirilmiş Bayes optimizasyonu, deneysel alanı hızlı bir şekilde kapsamak için ilk adım olabilirken, alanın uygun şekilde kapsanması konusunda dikkatli olunması gerekir.
Diğer bir çözüm, tek bir deneyde (örneğin biyoreaktör çalışması) proses parametrelerinde kasıtlı değişimler getiren Yoğunlaştırılmış Deney Tasarımı'nın (iDoE) kullanılmasıdır. Bu strateji, birden fazla geleneksel DoE kombinasyonunu etkili bir şekilde daha az sayıda deneysel çalıştırmaya yoğunlaştırır ve böylece deney başına elde edilen bilgileri en üst düzeye çıkarır.
Son olarak, daha iddialı ama son derece umut verici bir strateji, önceden eğitilmiş dijital ikizlerden yararlanmayı içerir. Bu senaryoda, hibrit model ilk olarak, ChatGPT gibi büyük dil modellerinin nasıl geliştirildiğine benzer şekilde, çeşitli kaynaklardan toplanan binlerce deneysel veri kümesi üzerinde önceden eğitilecektir. Kullanıcılar daha sonra kendi sınırlı eğitim verilerini kullanarak modeli kullanabilir ve iyileştirebilir, ilgili herkes için performansını sürekli olarak iyileştirebilir ve sonuçta hem kullanıcılara hem de hastalara fayda sağlayabilir. Tescilli verileri korumak için platform, kullanıcıların dijital ikizi işbirliği içinde geliştirmelerini sağlayan gizliliği koruyan bir yaklaşım olan birleşik öğrenmeyi uygulayacak. Bu yöntem, bireysel deneysel verilerin gizli kalmasını ve kullanıcılar arasında hiçbir zaman doğrudan paylaşılmamasını sağlarken, sürekli gelişen bir kolektif modele katkıda bulunmaya devam eder.
iDoE ve Bayes optimal tasarımlarının kullanımı da dahil olmak üzere daha iyi tahminleri desteklemek için dijital ikizin ve istatistiksel metodolojilerin potansiyelini keşfetmeye devam edeceğiz.
Not: Sonuçlar, BioWin ASBL'nin yardımı ve Bölge'nin mali desteğiyle, Hibe Sözleşmesi (Sözleşme 8881 ATMP Thérapie cellulaire) hükümlerine uygun olarak üretilmiştir.
*Kaynaklar aşağıda devam ediyor
Yazar hakkında:
Thomas de Marchin, Cencora'da İstatistik ve Veri Bilimi Müdür Yardımcısıdır ve burada ilaç keşfini ve üretim verimliliğini optimize etmek için gelişmiş istatistiksel metodolojiler ve makine öğrenimi algoritmaları uygulamaktadır. Mevzuata uygunluk - özellikle FDA ve GMP standartları - konusundaki derin uzmanlığıyla, karmaşık analitik yaklaşımlar ile pratik farmasötik uygulamalar arasındaki boşluğu doldurmaktadır.
Yasal Uyarı:
Bu makalede verilen bilgiler yasal tavsiye niteliğinde değildir. Cencora, Inc., okuyucuları tartışılan konularla ilgili mevcut bilgileri gözden geçirmeye ve bunlarla ilgili kararlar alırken kendi deneyim ve uzmanlıklarına güvenmeye şiddetle teşvik eder.
Ekibimizle iletişime geçin
Önde gelen değer uzmanlarından oluşan ekibimiz, kanıtları, politika içgörülerini ve pazar istihbaratını etkili küresel pazar erişim stratejilerine dönüştürmeye kendini adamıştır. Gelin, günümüzün karmaşık sağlık ortamında güvenle yol almanıza biz yardımcı olalım. Hedeflerinizi nasıl destekleyebileceğimizi öğrenmek için bize ulaşın.
Kaynak:
1. Dijital İkizler: Kişiselleştirilmiş Tıptan Hassas Halk Sağlığına, J Pers Med., Temmuz 2021. https://pubmed.ncbi.nlm.nih.gov/34442389/
2. Perfüzyon Biyoreaktörleri Endüstri Araştırma Raporu 2025, Araştırma ve Pazarlar. https://www.globenewswire.com/news-release/2025/10/09/3164326/28124/en/Perfusion-Bioreactors-Industry-Research-Report-2025-Biopharmaceutical-Growth-Drives-Demand-Amid-Cell-Culture-Advancements-Global-Forecast-to-2032.html
3. Yukarı akış memeli hücre kültürü gelişimi için tahmine dayalı modeller - Bir inceleme, Dijital Kimya Mühendisliği, Mart 2024. https://www.sciencedirect.com/science/article/pii/S2772508123000558
4. Proses sistemleri mühendisliğinde hibrit yarı-parametrik modelleme: Geçmiş, bugün ve gelecek, Bilgisayar ve Kimya Mühendisliği, Ocak 2014. https://www.sciencedirect.com/science/article/pii/S0098135413002639
