Kundenerfahrungen

Bei Lonza beschleunigt die institutionelle Analytik die Innovation von Herstellungsprozessen 

Ein maßgeschneiderter Ansatz für Versuchsplanung optimiert den Ertrag in Bioreaktoren

Lonza

HerausforderungHersteller stehen unter starkem Druck, die Entwicklung neuartiger Bioproduktionsprozesse zu beschleunigen, damit Produkte in kürzester Zeit auf den Markt kommen.
LösungWissenschaftler bei Lonza haben statistische Ansätze für die Prozessoptimierung und F&E implementiert. JMP® ermöglicht ihnen mit seiner Plattform für Design nach Maß und den interaktiven Datenvisualisierungsfunktionen die Implementierung komplexer Strategien zur Versuchsplanung (Design of Experiments, DOE).
ErgebnisseIn einem Anwendungsfall konnte ein Team bei Lonza den Gesamtertrag fast um den Faktor zwei steigern – ein beeindruckendes Ergebnis für einen Prozess, bei dem Wissenschaftler oft nicht so schnell nennenswerte Fortschritte erzielen können. „Nicht nur der Kunde war sehr zufrieden, sondern auch wir“, sagt Process Expert Andreas Trautmann.

Während die Bemühungen zur Impfstoffentwicklung mitten in der COVID-19-Pandemie weltweit an Fahrt gewinnen, wurde die globale Lieferkette auf Hochtouren gebracht, wobei der Technologietransfer in vielen Fällen parallel zu den Studien mit den Impfstoffkandidaten erfolgt. Selten in der jüngeren Geschichte war die Markteinführungszeit so entscheidend und der Wert schneller und innovativer Fertigungsprozesse ist in den Fokus gerückt.

Lonza, der Schweizer Anbieter von integrierten Lösungen für das Gesundheitswesen, nutzt eine Fülle an globalem Fertigungs-Know-how, um die Chargenproduktion von Impfstoffen, monoklonalen Antikörpern und anderen biologischen Wirkstoffen bis hin zu Arzneimittelkonjugaten, Peptiden und Molekülen, die eine parenterale Darreichungsform erfordern, zu beschleunigen. Das Unternehmen, dem schnelle Skalierung nicht fremd ist, bietet seinen Partnern seit Jahren hochmoderne Methoden, die Prozesse optimieren, Produktqualität und -sicherheit gewährleisten und den Ertrag steigern. Die eigentliche Innovation von Lonza liegt in der Kompetenz bei der Anwendung von statistischen Ansätzen, die laut Process Expert Andreas Trautmann „die Optimierung optimieren.“

Die Optimierung optimieren

Im Bereich Bioprozess-Engineering wird die Optimierung durch die Erhöhung der Produktkonzentration innerhalb eines Zellkultur-Bioreaktors erreicht, wodurch der Gesamtertrag verbessert wird, während die Produktrobustheit aufrechterhalten wird. Selbst inkrementelle Verbesserungen können sehr wertvoll sein und dem Kunden sowohl zeitliche als auch finanzielle Einsparungen bieten. Durch die Verwendung ähnlicher Prozesse für die Herstellung verschiedener Produkte hat Lonza diese Effizienz im Laufe der Zeit zu einem tiefgehenden Prozesswissen ausgebaut, dessen Vorteile auf jede neue Produktlinie übertragen werden, die das Unternehmen entwickelt.

Als Process Expert for Upstream Processing in Manufacturing Science and Technology bei Lonza in Visp in der Schweiz unterstützt Trautmann die Bestrebungen, Produkte aus dem Labor auf den Markt zu bringen. Ein Teil des Skalierungsprozesses baut auf vorhandenem Prozesswissen auf – „Je mehr Projekten wir bearbeiten und je mehr wir diese statistischen Werkzeuge mit den gleichen oder ähnlichen Organismen und Prozessen verwenden, desto mehr verbessern wir unser versuchsbezogenes Wissen“, merkt Trautmann an –, aber einige Prozesse müssen von Grund auf neu entworfen werden.

In einem besonders interessanten Projekt wurden Trautmann und sein Team kürzlich mit der Aufgabe betraut, einen neuen Herstellungsprozess zu entwickeln, der über den Standard-Bioreaktor von Lonza hinausgeht – und das unter engen Zeitvorgaben. Ein hochgradig strategischer Ansatz bei der Versuchsplanung war entscheidend, um diesen Prozess zu beschleunigen und gleichzeitig die Qualität zu halten.

„Wie Sie sich vorstellen können“, sagt er, „waren insbesondere die von JMP bereitgestellten DOE-Werkzeuge [in diesem Fall] sehr hilfreich und werden in dieser F&E-Gruppe häufig verwendet, da bei den Prozessen, die wir untersuchen, viele Parameter unbekannt sind.“ 

Eine maßgeschneiderte DOE in JMP® führt nahezu zu einer Verdoppelung des Ertrags 

Die Versuchsplanung (Design of Experiments, DOE) ermöglicht es Praktikern, die Anzahl der Versuche zu reduzieren, die erforderlich sind, um ein gewünschtes Ergebnis zu erzielen, indem die Versuchsbedingungen anhand eines statistischen Modells festgelegt werden. Die Plattform für Design nach Maß in JMP bietet Benutzern die Möglichkeit, zu spezifizieren, welche Effekte angesichts der Anzahl der Einzelversuche geschätzt werden müssen und welche wünschenswert sind. Es ist ebenfalls möglich, eine Anzahl von Einzelversuchen zu spezifizieren, um innerhalb der Budgetgrenzen zu bleiben. 

Anstatt einen Faktor nach dem anderen zu testen, erklärt Trautmann, bot JMP dem Team eine Möglichkeit, schnell einen rationalisierten, strategischen Ansatz zu erstellen. „JMP ist äußerst nützlich, da es viel effizienter ist, mehrere Faktoren gleichzeitig zu untersuchen, statt immer nur einen einzigen Faktor. Eine derartige Verwendung statistischer Methoden spart eine Menge Zeit.“

Im Fall des neuen Prozesses, den das Team für einen kleineren Reaktor entwickelt hat, wurde laut Trautmann mit Hilfe von DOE die Produktkonzentration – oder der Gesamtertrag – fast um den Faktor zwei erhöht. Das ist ein erstaunliches Ergebnis, wenn man bedenkt, dass Wissenschaftler in ähnlichen Szenarien manchmal nicht in der Lage sind, den Ertrag überhaupt zu erhöhen. „Nicht nur der Kunde war sehr zufrieden, sondern auch wir“, sagt er.

Neben der Verbesserung des Ertrags wurden im Rahmen des Projekts auch wichtige Meilensteine in Bezug auf Zeiteinsparungen erreicht. Da das Team in seinem Versuch 24 Einzelversuche durchführte, bedeutete die Zeitersparnis bei jedem Einzelversuch insgesamt eine erhebliche Zeitersparnis. „Ohne den Einsatz des 'Design nach Maß'-Werkzeugs hätten wir mindestens doppelt so lange gebraucht, um diese Faktoren zu untersuchen. Statt zwei Wochen wahrscheinlich mindestens vier Wochen“, erklärt Trautmann.

Das mit Design nach Maß generierte Modell war nicht nur flexibel, sondern auch effizienter: Es konnte die Ausgabevariable innerhalb des charakterisierten Bereichs genau vorhersagen, obwohl drei der 24 Einzelversuche nicht erfolgreich waren. Obwohl es auch andere Optionen gibt, bevorzugen Trautmann und sein Team das Design nach Maß in JMP, „weil es flexibler als die Standarddesigns ist; man kann zum Beispiel einige Versuche hinzufügen oder entfernen.“ Diese Flexibilität ermöglicht ihnen eine Anpassung an kontinuierliche Beobachtungen und eine entsprechende Gestaltung der Versuche.

„Wir haben JMP von der ersten Stunde an für das Design, die Planung und die Auswertung der Versuche in kleineren Bioreaktoren eingesetzt“, erklärt er. „Danach haben wir die Arbeit in Bioreaktoren mittlerer Größe fortgesetzt und werden sie bis Ende des Jahres auf den Produktionsmaßstab übertragen. Es kommt nicht so oft vor, dass völlig neue Prozesse aus Reaktoren im Labormaßstab es in die Herstellung schaffen. Es war also eine sehr schöne Erfolgsgeschichte.“ 

Datenvisualisierung und -untersuchung, ein wichtiger Teil jeder DOE 

DOE ist nicht die einzige JMP-Anwendung, die Trautmann bei der Prozessoptimierung als nützlich erachtet. Die Datenuntersuchung und die grafischen Funktionen haben sich ebenfalls als effektiv erwiesen und einige Wechselwirkungen in den Daten aufgedeckt, die sonst vielleicht übersehen worden wären. „Die Datenuntersuchung ist ein wichtiges Werkzeug in JMP, weil man sehr oft Wechselwirkungen aufdecken kann, die man ohne die explorative Datenauswertung nicht erkannt hätte“, sagt er. „Mit dem menschlichen Auge ist es sehr schwer, die Unterschiede oder die Auswirkungen [allein anhand einer Datentabelle] zu erkennen.“

„Sie können beispielsweise Datenwolken erzeugen, um zu sehen, ob es eine Wechselwirkung zwischen den Faktoren gibt, oder ein Histogramm erstellen, um zu erfahren, wie einige wenige Datenpunkte im Rest Ihres Datensatzes verteilt sind.“ Die Datenvisualisierung ermöglicht eine schnelle Bewertung der Datenqualität, was zur Optimierung jedes DOE-Modells beitragen kann.

Aufbau von institutionellem statistischem Fachwissen mit STIPS, einer Online-Lernressource

Wie die meisten Unternehmen nutzt Lonza verschiedene Schulungsformate, um Wissenschaftler und Ingenieure auf den neuesten Stand der statistischen Methoden zu bringen. Angesichts der positiven Ergebnisse mit JMP melden sich jedoch viele Mitarbeiter bei Lonza für Statistical Thinking for Industrial Problem Solving (STIPS) an, einen kostenlosen Online-Kurs, der von JMP sowohl für die Industrie als auch für den akademischen Bereich entwickelt wurde. STIPS ist in sechs Module unterteilt, die verschiedene Bereiche der Statistik und Datenanalyse mit spezifischen Anwendungen in der Industrie abdecken. Der Kurs ist im Team von Trautmann sehr beliebt; Kollegen ohne statistische Vorkenntnisse oder Erfahrung mit JMP konnten die statistischen Methoden in ihre Arbeit integrieren.

„STIPS ist ein sehr guter Kurs“, sagt Trautmann. „Ich war froh, einen Online-Kurs zu haben, der viele wichtige Informationen auf einem einfachen, verständlichen Niveau bündelt.“ Selbst als relativ langjähriger JMP-Anwender, fügt er hinzu, hätte der Kurs sein Verständnis für Qualitätsmethoden wie Qualitätsregelkarten und Prozessfähigkeitsanalyse vertieft, die er jetzt noch intensiver nutze. 

The results illustrated in this article are specific to the particular situations, business models, data input and computing environments described herein. Each SAS customer’s experience is unique, based on business and technical variables, and all statements must be considered nontypical. Actual savings, results and performance characteristics will vary depending on individual customer configurations and conditions. SAS does not guarantee or represent that every customer will achieve similar results. The only warranties for SAS products and services are those that are set forth in the express warranty statements in the written agreement for such products and services. Nothing herein should be construed as constituting an additional warranty. Customers have shared their successes with SAS as part of an agreed-upon contractual exchange or project success summarization following a successful implementation of SAS software.

Back to Top