Robust Process Monitoring and Control of Critical Variables in the Production of SARS-CoV-2 Spike Protein

La pandémie de SARS-CoV-2 a représenté un défi pour l'industrie biopharmaceutique, nécessitant une production rapide de thérapeutiques tout en respectant des directives de fabrication strictes et des profils de sécurité. Dans ce contexte, les pools cellulaires se sont révélés prometteurs en raison de leur capacité à produire des composés thérapeutiques dans des délais réduits. Cependant, ces plateformes novatrices présentent des inconvénients. Par conséquent, une meilleure compréhension et optimisation sont nécessaires pour en faire une alternative viable. Cette thèse se concentre sur l'identification du suivi et du contrôle des variables critiques dans la production de la protéine de spicule du SARS-CoV-2, permettant ainsi le développement d'un processus de production robuste. Pour y parvenir, des techniques d'analyse de données multivariées (ACP et modélisation par apprentissage automatique) ont été appliquées pour comprendre les tendances globales au sein d'un ensemble de données de développement précoce du processus de pools cellulaires CHO produisant la protéine de spicule du SARS-CoV-2. À partir d'une solide compréhension qualitative, des modifications du processus ont été tentées pour optimiser la production de la protéine de spicule du SARS-CoV-2, ce qui a entraîné une plus grande longévité, une diminution de l'accumulation de lactate et une augmentation du rendement en titre. Enfin, dans le cadre de l'initiative PAT, un capteur logiciel multivarié est proposé pour le suivi de l'accumulation des déchets métaboliques, de la croissance cellulaire et de la production de la protéine de spicule du SARS-CoV-2. Cette approche de prédiction à un pas en avant des résultats de culture tout au long du processus de 17 jours d'alimentation en lots s'est avérée utile pour suivre des variables difficiles à déterminer, comme la protéine de spicule, qui dépendent d'analyses en fin de processus pour quantifier le rendement (gels semi-quantitatifs ou Elisa). Ce travail démontre en général l'importance de l'analyse de données multivariées et de l'apprentissage automatique dans le développement de plateformes de production de bio-pharmaceutiques, ainsi que dans le développement de nouvelles technologies de capteurs en phase avec les initiatives PAT.

Abstract

The SARS-CoV-2 pandemic represented a challenge to the biopharmaceutical industry as fast paced production of therapeutics was needed while still maintaining the strict manufacturing guidelines and safety profiles. Within this context, cell pools have shown promise for their capacity to produce therapeutic compounds with reduced timelines. However, these novel platforms have their drawbacks. Consequently, increased understanding, and optimization is needed to make them a viable alternative. This thesis centers around identifying monitoring and controlling critical variables in the production of SARS-CoV-2 spike protein that allows for the development of a robust production process. To achieve this, multivariate data analysis techniques where applied (PCA and machine learning modeling) to gain an understanding of the global trends within an early process development dataset of CHO cell pools producing SARS-CoV-2 spike protein. From strong qualitative understanding, proposed process changes are tried in the optimization of SARS-CoV-2 spike protein production that resulted in increased longevity, decreased lactate accumulation and increased titer yield. Lastly, within the context of PAT initiative a multivariate soft sensor is proposed for the monitoring of metabolic waste accumulation, cell growth and SARS-CoV-2 spike protein production. This approach of one-step-ahead prediction of culture outcomes across the 17-day fed-batch process proved useful in tracking hard to determine variables, like the spike protein, which rely on end of process analytics to quantify yield (semi quantitative gels or Elisa). This overall work shows the important role multivariate data analysis and machine learning has in the development of biotherapeutic production platforms as well as developing novel sensing technologies in keeping with PAT initiatives.