Multiphysikmodellierung in der Biopharmaindustrie

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print

Multiphysikmodellierung in der Biopharmaindustrie

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print
Ein führendes multinationales biopharmazeutisches Unternehmen, nutzt multiphysikalischen Simulations-Apps um Prozesse zu rationalisieren, Arbeitsabläufe zu verbessern und die Sicherheit und Wirksamkeit von Arzneimitteln zu gewährleisten.

Quelle: Comsol

Um die unterschiedlichen Modalitäten, Funktionen und Kommerzialisierungsstadien von Arzneimitteln bewältigen zu können, müssen die verschiedenen Modellierungs- und Simulationswerkzeuge in der biopharmazeutischen Industrie eine große Bandbreite mit ausreichender Tiefe bieten. Amgen, ein führendes multinationales biopharmazeutisches Unternehmen, nutzt die Multiphysik-Simulation als Werkzeug um die Wirksamkeit und Sicherheit von Medikamenten zu gewährleisten. Ihre verschiedenen Produkte wurden bei Millionen von Menschen auf der ganzen Welt eingesetzt, um schwere Krankheiten zu behandeln. Hinter jedem dieser Produkte steckt eine Vielzahl von Prozessen, wobei Amgen ein vielfältiges Portfolio von Prozessmodellen einsetzt, um den Workflow zu verbessern.

In einer Branche wie der Biopharmaindustrie, in der die Prozessmodellierung wichtiger ist als die Produktmodellierung, ist ein solches Portfolio von entscheidender Bedeutung. Pablo Rolandi, Leiter der Prozessentwicklung bei Amgen, hat den Einsatz der COMSOL Multiphysics-Software als Plattform-Modellierungstool für seine Mitarbeiter betreut. „COMSOL ist eine ausgereifte Plattform mit modernen Designprinzipien“, erklärt Rolandi. „Mit einer schlanken und einfach zu bedienenden Oberfläche und GUI und sowohl Single- als auch Multiphysik-Fähigkeiten können wir eine große Vielfalt an Tools entwickeln.“ Da verschiedene Probleme in der Entwicklungsphase auftreten, wenden sich Rolandi und sein Team der Multiphysik als Lösung zu.

Produktionsengpässen beim Trocknen beseitigen

In vielen Fällen werden diese Lösungen auch von der Entwicklung von Simulations-Apps begleitet, die direkt aus dem Modell über den Application Builder erstellt werden können. Durch den Umgang mit einer spezialisierten Benutzeroberfläche kann der Endanwender von den Erkenntnissen der Simulationsergebnisse profitieren, auch wenn er kein Experte in der Modellierung ist. In den letzten anderthalb Jahren haben sie App-Pakete entwickelt, die rationalisiert, kommunizierbar und einfach zu implementieren sind, um Unternehmensfunktionen in der Prozessentwicklung, im Betrieb und in der Forschung und Entwicklung zu unterstützen.

Die Optimierung eines Trocknungsprozesses dient als erstes Beispiel, bei welchem das Team von Rolandi eine maßgeschneiderte App zur Lösung eines Problems im Produktionsworkflow entwickelt hat. Im Mittelpunkt dieses Falles stand die Verlagerung des Herstellungsprozesses einer niedermolekularen Arzneimittelsubstanz von einer Contract Manufacturing Organization (CMO) in das Werk von Amgen in Singapur. Mittendrin wurden die Trocknungsvorgänge, die von einem Rührfiltertrockner (RFT) in einem ähnlichen Prozess wie in Abbildung 1 durchgeführt wurden, als mögliche Engpässe in der Produktionsanlage identifiziert. Natürlich kann ein Engpass ein erhebliches Risiko für die Befriedigung der Produktnachfrage darstellen, weshalb Rolandi und sein Team sich daran machten, die Trocknungsprozesse zu modellieren und den Prozess zu rationalisieren. Da die CMO für die ersten drei Prozessschritte einen anderen Trocknertyp verwendete, fehlten ihnen ausreichende Charakterisierungsdaten aus diesen Isolationen, um sie genau zu modellieren und die Auswirkungen wechselnder Betriebsbedingungen zu identifizieren.

Zu den bekannten Eigenschaften des Systems gehörten Materialeigenschaften, geometrische Eigenschaften des Equipments und Betriebsbedingungen, einschließlich Feuchtigkeitsgehalt, Temperatur, Druck und ob Rühren beteiligt ist. Rolandi musste jedoch noch zwei kritische Faktoren bestimmen: die Verdampfungsrate und die Diffusionskoeffizienten der neuen RFT. Dazu wurde eine umfangreiche Datenerfassung durchgeführt und mittels Multiphysik-Simulation die regressiven Parameter zur Charakterisierung des Modells manuell abgeschätzt. Danach wurde eine Simulations-App erstellt, die die Trocknungszeiten berechnet und den Prozessingenieuren in der entscheidenden Phase zur Verfügung gestellt. Dies trug wesentlich dazu bei, dass die Endanwender die Möglichkeit hatten, die Auswirkungen veränderter Betriebsbedingungen zu visualisieren. Schließlich wurde festgestellt, dass die Kombination von Rühren mit einer Heizplatte die Trocknungszeit verkürzt und somit der Engpass gemildert und die Effizienz gesteigert werden konnte.

Einhaltung aller Sterilisationsstandards

In einer anderen Situation stieß eines der Produktionsteams von Amgen auf ein Problem mit der Sterilisation. Compounds von Herstellern werden in Primärbehältern transportiert. Dies sind oft Fläschchen, die nach einem bestimmten Standard sterilisiert werden müssen, um als neuwertige Behälter eingestuft zu werden, da Bakterien in Arzneimitteln ein enormes Gesundheitsrisiko darstellen können. Das Standard-Sterilisationsprotokoll, das die Diffusion von Ethylenoxid als Haupttransportmechanismus beinhaltet, erfüllte jedoch nicht die Anforderungen an einen neuartigen Behälter.

Natürlich musste der Sterilisationsprozess optimiert werden, aber anstatt unangemessener Experimente und kostspielige Iterationen von Trial-and-Error durchzuführen, machten sich Rolandi und sein Team an die Simulation, um die Diffusion des Ethylenoxids durch die Fläschchen zu modellieren. Die App enthielt Optionen zur Auswahl der Permeations- und Kontaminationsgrenzen, der Eingangslöslichkeits- und Diffusionskonstanten und zur Erzeugung zeitabhängiger Konzentrationsprofile des Ethylenoxids. Die Verfahrenstechniker konnten dann mit Hilfe der Apps feststellen, ob die Konzentration hoch genug war, um eine ausreichende Sterilisation zu gewährleisten. Dadurch wurde das Experimentieren reduziert oder ganz vermieden und das Programm um einige Monate beschleunigt. „Letztendlich war es viel effizienter, einfach Simulations-Apps zu erstellen“, sagte Rolandi.

Jenseits der Simulation

„Ich bin sehr daran interessiert, über die Simulation hinaus über die Entwicklung und Integration sehr fortschrittlicher Anwendungen und Techniken nachzudenken“, sagt Rolandi. „Ich denke, das ist eine strategische Herausforderung und wir fangen gerade erst an.“ Eines seiner Ziele ist es, Unsicherheiten in ihre Modelle zu integrieren. In der Praxis sind die Parameter selten exakt und die Betriebsbedingungen variabel. Die Integration dieser Variationen in ihre Simulationen kann zu prädiktiveren Ergebnissen führen, die im Kontext besser verstanden werden können.

Rolandi und sein Team arbeiten zum Beispiel an einem Autoinjektor, einem Gerät, das einem Patienten Medikamente injiziert, ohne dass ein Arzt sie verabreichen muss. Ein kritischer Aspekt der Injektionen ist der Zeitpunkt der Verabreichung, der sehr genau kontrolliert werden muss, damit das verabreichte Medikament seine Wirkung entfalten kann. Das Problem ist, dass die Abgabedauer von einer Reihe von Faktoren abhängt, die alle unterschiedliche Unsicherheiten aufweisen, darunter die Behältergeometrie, die Viskosität und das Volumen des Medikaments, die Federkonstanten des Injektors und die Reibungskonstanten des Kolbens.

Wenn die Unbestimmtheit dieser Faktoren nicht berücksichtigt wird, hat eine simulierte Abgabezeit eine unbekannte Varianz und gibt somit keine Auskunft über ihr Potenzial, genau gesteuert zu werden. In der Prozessmodellierung ist es von unschätzbarem Wert, eine Wahrscheinlichkeitsverteilung der erwarteten Ergebnisse zu erstellen, um das Verhalten des Systems besser zu verstehen.

Um besser zu verstehen, wie sich die Unsicherheit dieser Parameter fortsetzt, nutzten Rolandi und sein Team die Multiphysik-Simulation, um eine globale Sensitivitätsanalyse des Systems durchzuführen und den Effekt der Faktorvariabilität streng zu quantifizieren. Die Analyse ermittelt für jeden Parameter einen Sensitivitätsindex, der eine teilweise Zuschreibung der Varianz als Reaktion auf diesen Parameter darstellt. Sie fanden heraus, dass die Viskosität des Produktes, die Federkonstanten und die Nadelgeometrie 90% der Varianz in der Einspritzzeit ausmachten, wodurch sie ihr Modell stark vereinfachen konnten. Da nur wenige Parameter signifikante Auswirkungen auf die Injektionszeit haben, ist es für sie viel einfacher, Unsicherheit und Risiko durch robuste Spezifikationen an die Komponentenlieferanten zu managen.

Ähnlich wie bei den anderen Lösungen wurde das Einspritzzeitmodell in eine benutzerfreundliche und einfach zu bedienende Simulations-App gepackt. Die App bietet benutzerdefinierte Eingaben, führt eine Unsicherheits- und Empfindlichkeitsanalyse durch, schreibt einen automatisierten Bericht und zeigt die Modelldokumentation an. Die App hat zu Kosteneinsparungen und Geschwindigkeitssteigerungen geführt und ein effektiveres Management der Unsicherheit während des gesamten Prozesses ermöglicht.

App-Bereitstellung

Amgen nutzt auch eine lokale Installation des Produktes COMSOL Server, um die Zugänglichkeit für seine Mitarbeiter zu erhöhen. „Wir haben eine Reihe von Anwendungen, die wir unbedingt jedem bei Amgen zur Verfügung stellen wollen“, sagt Rolandi. „Im Moment gibt es etwa ein Dutzend Apps, welche heute in der gesamten Organisation in einer Weise genutzt werden, auf die ich sehr stolz bin, und COMSOL hat uns dies ermöglicht.“ Mit COMSOL Server ist die App-Bereitstellung trivial und die Lifecycle-Verwaltung kann effektiver gestaltet werden. Die Benutzer können sich einfach über einen Webbrowser einloggen, um auf die vom Rolandi-Team entwickelte Anwendungsbibliothek zuzugreifen. Sie haben auch vor, die Komplexität ihres Systems zu erhöhen, indem sie sich von der manuellen Eingabe verabschieden und COMSOL-Modelle als „Berechnungskerne“ betrachten. Diese können mit Hilfe fortschrittlicher Algorithmen in einer Reihe von aussagekräftigen, modellbasierten Studien wiederverwendet werden, was einen wichtigen Schritt bei der Implementierung einer Modellierung auf Unternehmensebene darstellt, die einem großen Nutzerkreis und vielen Akteuren echten Geschäftswert bietet.

Autor

Pablo Rolandi ist Director of Process Development bei Amgen.

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on xing
XING
Share on whatsapp
WhatsApp
Share on email
E-Mail
Share on print
Drucken

Ihre Meinung zum Artikel

Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments

Andere Leser haben sich auch für die folgenden Artikel interessiert

Besucher der analytica 2020 können das Labor der Zukunft in einer weltweit einzigartigen Sonderschau erleben: 18 Partner aus Wissenschaft und Industrie haben sich zusammengetan, um anhand von acht Workflows aus der Praxis Gerätevernetzung, kollaborative Robotik und Nutzerinteraktion zu zeigen. Im zugehörigen Forum vermitteln Experten in Vorträgen den aktuellen Stand der Digitalisierung im Labor.
Werbung

Whitepapers

Redaktionsbrief

Tragen Sie sich zu unserem Redaktionsbrief ein, um auf dem Laufenden zu bleiben.

Wir wollen immer besser werden!

Deshalb fragen wir SIE, was Sie wollen!

Nehmen Sie an unserer Umfrage teil, und helfen Sie uns noch besser zu werden!

zur Umfrage

Aktuelle Ausgabe

Topthema: Messtechnik - Treiber der Digitalisierung

#empowerthefield – Potentiale der Industrie 4.0 nutzen

Mehr erfahren

Tragen Sie sich jetzt kostenlos und unverbindlich ein, um keinen Artikel mehr zu verpassen!

* Jederzeit kündbar

Entdecken Sie weitere Magazine

Schön, dass Sie sich auch für weitere Fachmagazine unseres Verlages interessieren.

Unsere Fachtitel beleuchten viele Aspekte der Digitalen Transformation entlang der Wertschöpfungskette und sprechen damit unterschiedliche Leserzielgruppen an.