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.