Cinco herramientas para optimizar la producción de los biorreactores y acortar los plazos de desarrollo de vacunas

La inmunoterapia para el cáncer, las enfermedades autoinmunes o las neurológicas requiere fabricar anticuerpos que se unan a las células enfermas y las marquen para que el cuerpo las destruya.

La inmunoterapia para el cáncer, las enfermedades autoinmunes o las neurológicas requiere fabricar anticuerpos que se unan a las células enfermas y las marquen para que el cuerpo las destruya. Desarrollar las cepas semilla para cultivar estos anticuerpos en cultivos celulares y optimizar en el laboratorio los biorreactores y las condiciones de crecimiento del cultivo puede llevar fácilmente más de 40 semanas, y estos proyectos están sujetos a cambios de prioridades, de personal y de presupuesto.

Una vez identificadas las cepas adecuadas, hay que escalar y validar el proceso, y finalmente llegar a los ensayos clínicos, lo que añade más semanas (o, siendo realistas, años) al tiempo que tardan los tratamientos en pasar del laboratorio a las personas que los necesitan.

Aquí analizamos cinco medios básicos (pero infrautilizados) para optimizar los rendimientos de los biorreactores, acortar los plazos de escalado de los procesos y producir los tratamientos biológicos o de anticuerpos.

1. Utilizar el DOE y el análisis estadístico

Las proteínas necesarias para los distintos tratamientos tienen cada una sus propias condiciones óptimas de crecimiento, para garantizar el plegamiento y el ensamblaje correctos de la proteína. Las condiciones de crecimiento deben optimizarse aún más para maximizar los rendimientos de proteína.

Por tanto, cultivar anticuerpos para inmunoterapias a partir de células de ovario de hámster chino (CHO) requiere condiciones de cultivo específicas, entre ellas: mezcla de nutrientes, temperatura y pH, niveles de oxígeno disuelto, tipo de biorreactor y estrategia de control de la alimentación. Optimizar eficazmente estas condiciones es el principal determinante de la salud general del cultivo y de la eficiencia de su crecimiento.

Pero optimizar cada variable de forma independiente no es realista debido a la interdependencia de las variables (las limitaciones de tiempo y de recursos tampoco ayudan). Tradicionalmente, la optimización se hacía por ensayo y error, cambiando diversos parámetros según la comprensión y la experiencia del investigador con el sistema. El diseño de experimentos (DOE) y el análisis estadístico, en cambio, son herramientas cuantitativas que pueden simplificar drásticamente la complicada tarea de optimizar el proceso.

Una configuración de laboratorio habitual consiste en usar cultivos de hasta 10 mL para optimizar parámetros básicos del proceso como la temperatura, el pH y el oxígeno disuelto. Cultivar unas 50 muestras a la vez permite a los investigadores experimentar con diferentes condiciones de crecimiento. El DOE es una herramienta que debe usarse de forma proactiva, de modo que los investigadores puedan diseñar estos sistemas a pequeña escala para manipular varias variables simultáneamente y determinar con eficiencia el conjunto óptimo de parámetros críticos del proceso.

El DOE también es útil para la resolución de problemas en sistemas a escala reducida, con tamaños de 500 mL a 10 L. Permite a los diseñadores de sistemas pasar de resolver problemas por ensayo y error a soluciones basadas en datos st1atísticamente relevantes que tienen en cuenta un gran número de variables de proceso que interactúan.

2. Implantar la PAT

La tecnología analítica de procesos (PAT) se refiere simplemente a añadir sensores en línea y otros medios de recogida de datos, para obtener información de los procesos de fabricación farmacéutica. Esto conduce a una mayor comprensión de lo que ocurre en el sistema y de cómo responde a cualquier cambio, y significa que los diseñadores de sistemas pueden ajustar los controladores a partir de datos en tiempo real.

Aunque la PAT se suele analizar en el contexto de los entornos de producción GMP, el concepto de mayor sensorización es igualmente beneficioso en laboratorios e instalaciones piloto. La nueva información da a los investigadores, a los diseñadores de sistemas e incluso a los sistemas de control automatizados la capacidad de ajustar en tiempo real los parámetros críticos del proceso.

Además, cuando se implanta en el laboratorio una sensorización de tipo PAT, la transición de un sistema totalmente optimizado a un entorno GMP a escala de producción resulta mucho más sencilla.

3. Automatizar los ensayos

Supervisar el crecimiento de cultivos de 10 – 15 mL es, por supuesto, fundamental para que el investigador comprenda la influencia de las distintas condiciones de crecimiento. Sin embargo, como el volumen del cultivo es tan pequeño, extraer una muestra para llevarla a un analizador puede cambiar lo suficiente las condiciones del cultivo como para afectar al crecimiento general.

Para resolver este problema, los científicos están pasando a dispositivos de sobremesa que toman muestras del cultivo de forma automática y analizan parámetros como el pH, la densidad celular, los niveles de nutrientes y los niveles de residuos tóxicos. Este proceso utiliza una muestra más pequeña que la que requiere un analizador tradicional, lo que mitiga los efectos de extraer la muestra del cultivo. También permite ensayos más frecuentes, sin que el investigador tenga que atender constantemente el sistema.

4. Construir un sistema de control en lazo cerrado

Combinados con un software basado en el DOE, los sistemas de ensayo automático pueden crear un bucle de retroalimentación desde el cultivo celular hasta los controles del reactor, lo que ofrece un nivel sin precedentes de control del sistema en tiempo real.

Este tipo de control estricto del proceso garantiza que parámetros de escalado como la tasa de transferencia de oxígeno se midan con exactitud, lo que a su vez permite el desarrollo controlado de procesos piloto y de producción a partir de cultivos a escala de sobremesa. Un control estricto de estos parámetros significa que se necesitarán menos ciclos de reducción de escala para resolver por completo los problemas del sistema piloto, y que este puede transferirse con más rapidez a un entorno de producción.

5. Intensificación de procesos

El objetivo de la intensificación de procesos es desarrollar métodos de ingeniería que aumenten la eficiencia y el rendimiento sin aumentar los costes globales del sistema.

En los biorreactores, un objetivo clave de la intensificación de procesos es aumentar la densidad celular en el medio del reactor. Esto se consigue principalmente pasando de superficies de crecimiento 2D a 3D: los biorreactores que cultivan sobre microesferas o fibras pueden soportar un número mucho mayor de células/mL de medio de cultivo (20 millones de células/mL frente a más de 100 millones de células/mL).

Aumentar los rendimientos en los biorreactores semilla y de producción sin aumentar la huella de fabricación supone ahorros significativos. El «scale‑out» es un ejemplo interesante: cuando las densidades celulares pueden aumentarse hasta el punto de que bastan biorreactores de un solo uso de 2000 L para satisfacer la demanda de producción (en lugar de pasar a reactores de uso múltiple más grandes), se consiguen enormes ahorros de costes y de tiempo.

Otro ejemplo de intensificación de procesos es utilizar una estrategia de perfusión para hacer crecer un biorreactor semilla, lo que permite al fabricante inocular el biorreactor de producción con una densidad celular mucho mayor. En este ejemplo, utilizar biorreactores continuos optimizados (una pieza clave del panorama de la Pharma 4.0) a pequeña escala permite un crecimiento del cultivo mucho más rápido en el biorreactor de producción y la entrega de terapias farmacológicas a los pacientes en un tiempo récord.

Más información: reducir la huella de los equipos supone ahorros significativos de tiempo y de costes $