摘要：自2009年引入以来，质量源于设计（QbD）已成为治疗蛋白开发中广泛使用的方法论。QbD的基本概念是，治疗蛋白的开发始于对目标产品档案的全面理解，包括其身份、效力、质量、纯度和效能。然后设计制造过程以确保所生产的产品质量一致且可重复地满足目标产品档案。目前，提交给FDA或欧盟监管机构的所有治疗蛋白市场申请都要求在其产品开发和制造阶段实施QbD方法论。尽管QbD概念有效且符合监管要求，但由于以下原因，其完整实施受到了限制：(1) 开发过程初期没有足够的时间充分表征目标蛋白档案，(2) 输入和输出参数的复杂性阻碍了实验设计的完整性，以及 (3) 收集和分析端到端产品和制造数据的挑战。为了克服这些挑战，正在进行许多努力，其中最显著的进展是在高级数据分析和机器学习领域。
1.引言
人类药品的开发是一项高度受监管的事业，申请人被要求理解分子、其功能以及制造过程对所生产产品的影响。有两项指南涉及这一点：ICH Q11 药物物质的开发和制造和ICH Q8 药物开发。此外，相对较新的欧盟GMP附件15：确认和验证以及美国FDA的行业指南《工艺验证：一般原则和实践》也需要考虑。在过去，药物开发的传统方法基本上没有被指南明确描述，公司基本上可以自由地按照自己的意愿开发他们的分子。今天，ICH Q8指出，重要的是要认识到质量不能通过测试来实现，这意味着质量应该通过设计来内建。在开发和生命周期管理过程中的配方和制造过程的变化应该被视为获得额外知识和进一步支持设计空间建立的机会。基于所有行业项目管理的进步，这些项目管理概念被引入到制药界，目的是设计一个质量产品及其制造过程，以持续提供产品的预期性能。项目管理和质量目标产品档案（QTPP）是组织和控制生产产品所必需的资源和活动的过程。它涉及协调人员、财务、材料和其他资源，以实现预期的目标。项目管理对成功的产品开发和交付至关重要。QTPP是质量和项目管理过程中的一个关键组成部分。QTPP是产品或服务所需满足项目目标的期望特征的详细描述。它包括以下要素：
期望的性能特征
设计规范
成本限制
质量要求
时间表要求
风险评估
监管考虑
QTPP用于帮助确保项目满足利益相关者的期望，最终产品具有最高和监管所需的质量。它还用于识别项目过程中可能出现的问题和风险，并为它们制定解决方案。QTPP的开发是项目规划过程的重要组成部分。这涉及收集和分析来自利益相关者和其他来源的信息，以确定产品必须具备哪些特性和能力才能成功并满足项目目标。然后使用这些信息创建所需产品的详细描述。一旦QTPP开发完成，它就作为项目的蓝图。它用于定义项目的范围，设定时间表，分配任务和管理资源。QTPP还用于评估进度，确保项目正轨以满足其目标。项目管理和目标产品档案是任何成功产品开发和交付项目的基本组成部分。通过正确定义产品的期望特性，然后使用QTPP指导项目，组织可以确保他们的项目成功并满足其利益相关者的需求。
在开发新药过程中，需要包括并考虑以下参数/主题，从QTPP作为“主文件”开始，然后是需要的风险评估和待开发控制策略：
QTPP - 目标质量产品档案。它基本上描述了产品应满足的特征。除了针对特定适应症的疗效外，剂量、容器、稳定性、储存条件等其他属性也在此文件中描述。
活性药物成分（API）的关键质量属性（CQAs）；因此，整个制造过程控制策略的基础需要被描述。它集中于哪些API的属性是关键的，为什么那些是关键的，以及如何控制这些属性。
API的关键制造过程步骤 - 作为CQAs的反映，过程需要被分析，哪些步骤可能并且确实对CQA有影响。
为确保产品的安全性、有效性和质量，开发和描述制造的控制策略。控制策略在过程验证期间得到验证，并且需要通过持续/连续过程验证不断验证。
上述项目管理工具的实施导致了QbD策略的开发。QbD是一种系统的产品开发方法，从一开始就专注于质量，如QTPP中所描述。它是一种主动的流程开发方法，专注于理解分子、制造过程和分析控制，而不仅仅是简单地响应线性开发。QbD涉及了解产品和过程需求，设计过程以满足这些需求，然后持续监控和改进产品，以确保它满足监管期望，特别是患者需求。
QbD涉及设计、验证和验证的迭代过程，目标是创建一个满足需求且无错误的制造过程，它用于跨越设计空间。在这个设计空间内，可以实现制造过程，根据档案，设计空间内改变设定点不被视为监管变更，而设计空间外的移动是一个变更，通常会启动监管批准后变更过程。因此，设计空间是产品制造过程中的一个重要工具，因为它允许根据时间的推移更好地理解，更有效和更有效地适应过程。通过使用设计空间，如果所有相关数据都存储并通过数据历史记录器存储和访问，良好的制造实践（GMP）可以有效地确定特定应用的最佳设计解决方案。
QTPP及其后的QbD方法适用于所有在开发中的产品，但对生物类似药以及先进的治疗性医疗产品（ATMP）或个性化医疗开发项目应特别考虑。在生物类似药开发方面，QTPP的基础来自于原研产品，需要对其进行彻底分析，制造过程需要达到原研目标。生物类似药可能与原研药不同，但只在临床上不相关的特性上有所不同。对于ATMPs和个性化药物，主要问题是批次数量少或每批可能都不同（个性化）。对于这些项目来说，极其重要的是彻底理解过程和分子，以持续生产相同安全性、有效性和质量档案。
2.QbD的实际例子
QbD是一种系统的方法，用于生物制药产品的开发、制造和控制，旨在确保最终产品的质量和一致性。本章将探讨生物制药行业中QbD的最新趋势和实际例子，特别关注单克隆抗体的开发。本章还将提供单克隆抗体开发中成功实施QbD的例子，并探索这一领域QbD的未来。
在过去15年中，QbD方法在生物制药行业中得到了显著发展。最初，QbD主要应用于小分子药物开发，但后来被采纳用于生物制剂的开发，包括单克隆抗体。FDA的行业指南Q8(R2)药物开发和Q9质量风险管理为生物制药行业中QbD的实施提供了指导。这些指南概述了QbD的原则，并为生物制药产品开发和控制中科学和风险管理的整合提供了框架。此外，如国际制药工程协会（ISPE）、生物制药运营组（BPOG）和注射药物协会（PDA）等行业论坛也专注于生物制药行业中QbD的实施。这些组织为行业专业人士提供资源、培训和网络机会，以了解和实施QbD。
多年来，业界对QbD的认识和接受度不断增长，QbD被认为是确保生物制药产品质量和一致性的重要方法。这导致实施QbD的公司数量增加，对在生物制药产品开发和控制中使用质量风险管理的关注也越来越多。2008年，几家制药公司的代表聚集在一起，推进ICH Q8(R2)、Q9和Q10中概述的质量源于设计原则。该小组专注于生物技术产品制造和发展的独特挑战，并旨在创建一个全面的案例研究，以激发讨论并推进这些指南在现实世界场景中的应用。该小组的目标包括创建一个教学和学习的案例研究，示例先进原则，展示“先验知识”的概念，实现持续改进的有效技术，并检查增强科学和基于风险的监管方法的潜力。这个案例研究，“A-Mab: A Case Study in Bioprocess Development”，目的是展示产品开发的QbD方法，展示了一种增强方法，包括系统评估、理解和改进配方和制造过程，包括确定可能影响产品质量的材料属性和过程参数，确定材料属性和过程参数与产品质量之间的关系，并使用增强的产品和服务理解结合质量风险管理来建立适当的控制策略，如设计空间提案和/或实时释放测试。该方法在一系列活动中进行了说明，从分子设计开始，跨越开发过程，最终形成用于商业制造的最终流程和控制策略。这个案例研究已经成为大多数采用描述工具版本的生物制药公司的起点。
近年来，不同的跨行业工作组已经形成，以进一步对齐不同的工具，并分享生物制药产品的最佳实践。BPDG是一个行业范围的联盟，用于网络和分享生物制药开发的最佳实践。BPDG-配方点共享组进行了一项跨公司协作练习，以更好地了解当前行业建立生物制药药品产品鲁棒性的方法。他们的结果显示，整体药品产品鲁棒性由配方和制造过程鲁棒性定义，并整合了QbD的原则。鲁棒性是设定关键质量属性控制策略和商业规范的重要因素。BPDG-配方点共享组确定了与生物制药药品产品鲁棒性相关的行业挑战，并提出了一些最佳实践的建议。
识别关键质量属性（CQAs）及其在工艺开发研究中的后续表征是生物制药产品QbD的关键要素。由多个公司参与的国际创新与质量联盟工作组对最佳实践进行了调查，以确定CQAs并与工艺表征（PC）研究联系起来。Alt等人报告了调查结果，表明大多数公司都在使用类似的步骤：（1）确定QTPP，（2）识别CQAs，（3）从工艺开发活动中确定可接受的范围，（4）通过工艺表征活动测试和确认可接受的工艺范围，以及（5）通过生命周期管理持续监控和更新产品和工艺的理解和控制。
QTPP概述了使用风险排名工具评估的质量属性。通过考虑通过结构-功能关系研究和临床前结果（如药代动力学研究）获得的产品理解，细化最终的CQA列表。当分子信息有限时，使用平台知识和相关文献来识别初始或潜在的CQAs（pCQAs）。随着产品特性研究过程中对产品的更多了解，pCQAs要么被重新定义为CQAs，要么被认为是非关键的。可以在产品开发的不同阶段进行初始风险评估。常见的方法是在首次人体研究之前进行评估。CQAs列表通常包含广泛的类别，如产品相关杂质和工艺相关杂质，以及进一步详细类别，如身份和纯度。最常用的风险评估方法是“影响×不确定性”方法，类似于A-Mab案例研究“质量属性评估工具#1”。“影响”是基于生物活性和安全性进行评分的，大多数公司还将药代动力学和免疫原性考虑在内。
工艺表征研究旨在了解（关键）质量属性如何与某些工艺参数相关联，从而建立工艺控制策略和定义关键工艺参数（CPPs）。然而，在整个开发活动中获得的知识用于定义潜在的CPPs，并用作工艺表征研究的基础。工艺表征研究由一个多功能团队进行，涵盖药物物质（DS）和药物产品（DP）制造中的单元操作，这些研究在工艺性能确认（PPQ）之前进行。在进行工艺表征研究之前，必须选择必须包括的单元操作。一种常见的方法是将单元操作与产品属性联系起来，并定义输入和输出参数以及相应的过程测试和过程监控。这些参数进一步根据对CQAs的影响进行分类，并允许基于风险的方法选择包括在工艺表征研究中的参数。值得注意的是，CPPs是在ICH Q8中定义的唯一参数，其他类别是公司特定的。随着生物制药行业在过去几十年中获得了广泛的先验知识，大多数公司已经为类似的模式实施了集成控制策略，并在不断更新他们的方法。这些控制策略基于ICH Q8 R2中定义的可接受范围。大多数公司在监管许可提交中提供工艺参数的可接受范围，称为“已证明的可接受范围”（PAR），这意味着在保持其他参数在正常操作范围（NOR）内恒定时，范围内的变化将导致材料满足相关质量标准。一致认为，NOR内的移动可以通过内部变更管理来管理。CPP的PAR超出并不会自动导致批次拒绝，但会触发对其对CQAs影响的调查。批次处理的最终决定通常由质量审查委员会做出。
由于制造科学和技术在过去几十年中得到了显著改进，可能需要重新开发以满足市场需求、降低制造成本或其他原因。在缺乏先前经验的全球监管环境中实施新的生产方法（即下一代工艺）可能对公司构成挑战。做出这样的变化的决定需要仔细考虑监管批准的可行性以及在考虑患者安全和疗效的同时维持原始产品的稳定供应的能力。另一方面，针对特定患者的治疗趋势和加快实现临床原理证明的雄心也导致了加速和新颖的验证过程。由于卫生当局不会降低他们对工艺验证的标准，提交内容保持不变。公司倾向于使用先验知识和基于风险的方法来缩短时间表，重点关注最重要的pCQAs和潜在的关键工艺参数（pCPPs）。如果不影响产品的安全性或有效性，一些工艺验证工作也可以推迟到市场后进行，但这可能导致制造灵活性降低和增加控制产品的分析测试。
尽管每个公司可能都有各自的QbD原则，A-Mab研究仍然是生物制药行业QbD方法的基石。然而，A-Mab研究提供了一般性指导，因此IQ联盟生物制剂工作组在2021年描述了使用增强的产品属性理解将接受标准与临床性能联系起来，在先前的产品控制策略和产品属性关键性详细评估的指导下，填补了如何为生物治疗药物建立合适接受标准的信息空白。商业规范是生物治疗产品控制策略的关键方面。规范确保了基于属性范围对患者安全和疗效的潜在影响的产品质量和稳健的供应链。测试是控制策略的一部分，但探索替代方案至关重要，如获得更深入的过程和跨产品理解，使用创新的在线过程和产品评估，以及实时释放努力，以提高过程性能，减少时间和成本，并提供创新药物。Ruesch等人总结了规范设定方法，包括三个mAb案例研究和一个抗体药物偶联物（ADC）案例研究，这些研究基于科学和基于风险的决策制定。仅依赖于统计范围进行商业接受标准可能导致拒绝可接受的产品或释放不可接受质量的批次。因此，规范设定应基于对安全性和有效性有影响的产品质量属性的基于风险的评估，使用先验知识和产品特定评估。
3.全面实施QbD方法论当前面临的挑战
自2009年首次引入以来，如前文所述，QbD方法论已纳入许多治疗蛋白的开发中，包括单克隆抗体和融合蛋白。这些蛋白中有许多是利用中国仓鼠卵巢（CHO）细胞系生产的IgG1或IgG4平台。迄今为止，由CHO细胞系生产的蛋白仍然需要对产品变体进行广泛的表征，例如聚集体、电荷变异体和糖基化谱。由于重大的财务和资源限制，新治疗蛋白模式的QbD方法论的全面实施仍然有限。在本节中，将详细解释QbD全面实施面临的三个挑战。
3.1.QTPP评估的挑战
表9.1总结了潜在蛋白质修饰的类型及其对分子在体内安全性和有效性的影响。糖基化是真核细胞中的翻译后修饰，影响药代动力学、药效学和免疫原性等生物学相关功能。Zhang等人在一个IgG1单克隆抗体中鉴定出七种不同的N-糖基化物种，突出了蛋白质群体的异质性，包括N-糖基化、O-糖基化、α-2,6-唾液酸化、α-1,3/4-岩藻糖基化以及双天线糖基（G0, G1, G2）外臂上的半乳糖残基数量不同。高甘露糖含量的量影响蛋白质从血液中清除的速度（有效性关注点），但也可能引起不良事件（安全性关注点）。末端半乳糖是补体依赖性细胞毒性（CDC）活性的关键要素。除了糖基化外，蛋白质分子的疏水性和亲水性影响体内蛋白质的溶解度、可及性和稳定性。高分子量（HMW）物种可能引发免疫原性反应。截短物种可能很快被清除出体外。蛋氨酸或天冬酰胺位点的氧化或脱酰胺作用可能对蛋白质与目标的结合产生负面影响。
理想情况下，适当的QbD实施应由非人和人体内在研究中获得的安全性和有效性数据来定义表9.1中那些蛋白质修饰的可接受范围。这首先需要获得具有不同产品变体范围的蛋白质溶液，然后对其进行安全性和有效性测试。不幸的是，这一步由于产生足够数量的每种产品杂质的复杂性、进行体内研究以测量药物的安全性和有效性的成本而极其昂贵和耗时。因此，QbD方法论的实施从治疗蛋白的“遗传QTPPs”开始，这使得后续步骤具有挑战性。
3.2.工艺设计和放大的挑战
除了在定义有意义的CQAs方面的限制外，制造过程的设计和控制也面临重大的财务和资源限制。表9.2总结了已知影响CQAs的单元操作和重要过程参数的列表。众所周知，细胞培养基中的不同元素（例如，铜、锌）、上游操作条件（例如，温度、pH）和纯化条件（例如，缓冲液pH、峰收集标准）直接影响CQAs。因此，所有这些参数都必须作为输入参数进行审查，以找到有意义的可接受范围。不幸的是，设计实验（DoE）以检查表9.2中列出的不同输入参数的影响可能需要数千个小规模实验，这带来了巨大的成本和时间，成为任何药物开发计划的障碍。
此外，这些小规模实验不仅要分别对每个单元操作进行，还要结合上下游一起进行（即，在不同条件下生产的上游材料在各种纯化条件下进行测试）。然而，由于财务和时间限制，这种端到端的范围寻找研究很少在工艺开发过程中进行。因此，与CQAs类似，控制制造参数的工艺参数也从适用于大多数治疗蛋白的通用范围开始，而不是针对特定适应症的特定蛋白的定制范围。例如，对于蛋白质聚集体，HMW小于5%被定义为所有蛋白的可接受范围，而不考虑该特定蛋白的HMW是否被证明具有免疫原性。然后利用DoE实验来验证为治疗蛋白通用定义的范围（例如，生物反应器温度36-38°C、葡萄糖喂养添加、第14天收获等）是否成功地在通用定义的QTPP内生产出感兴趣的蛋白（例如，HMW小于5%）。
除了进行全面工艺理解所需的大量DoE实验外，从这些DoE研究中获得的产品质量数据的解释困难也构成了实施有意义的QbD方法论的挑战。表9.3和9.4提供了三个不同实验条件下获得的产品质量数据示例。三个小规模批次测试了六个不同的输入参数：培养基类型（两种）、接种密度（高与标准）、喂养策略（固定与可变）、生物反应器温度（固定与温度转移）、搅拌速率（高与标准）。使用各种分析方法对这三个运行的蛋白质进行了表征。正如表9.4所示，三个运行的结果表明，不同的操作条件确实生产出了在糖基化谱、HMW、电荷变异体、滴度和功能结合效率方面有量化差异的蛋白质材料。然而，解释这些数字，例如HMW在1.9%与2.8%之间的差异，由于缺乏对其安全性和有效性的影响而具有挑战性。换句话说，我们需要HMW物种的免疫原性数据才能选择适当的处理条件，这通常不可能在没有昂贵的人体体内研究的情况下获得。此外，这种蛋白质在长期储存时的稳定性（或不稳定性）也未知。如果蛋白质稳定，2.8%的HMW是可以接受的。然而，如果蛋白质降解快，即使是1.9%的HMW也可能不可接受，因此需要重新设计上游和下游过程控制。同样，不同的糖基化和电荷变异体形式对药物的安全性和有效性的影响仍然未知。
3.3.整合端到端工艺和产品数据的挑战
通过持续工艺验证（CPV）概念，可以解决实施QbD方法论的挑战，这一概念由FDA和欧盟机构在十多年前引入。CVP计划允许制药公司不断收集工艺和工艺知识，以便实时更新蛋白质制造的工艺控制策略。持续监控需要一个集中的数据历史记录工具，将来自实验室规模、中试规模和全面制造规模运行的所有与工艺相关的数据与临床前的临床结果结合起来。然而，将所有相关数据整合到一个集中的数据历史记录中是一项挑战，原因是（1）缺乏对进厂原材料和细胞培养材料的必要测试，造成数据集的空白，（2）没有先进的分析工具难以分析的大量数据集，以及（3）由于批次数量有限且产品档案狭窄，临床上的安全性和有效性信号混杂。
细胞培养基组分，如无机和微量元素，被广泛认为对治疗蛋白的糖基化特性有直接影响。例如，化学定义的细胞培养基中的锌、铜和锰的量显著影响了突出CHO细胞培养性能的临界质量属性，这表明了微量元素可用性对CHO细胞培养性能的影响程度。不仅是微量元素，氨基酸和维生素的浓度也会影响产品质量档案。尽管它们很重要，但由于在制造过程开发环境中缺乏足够的分析工具，细胞培养基中这些关键元素的实际浓度在投入使用前很少被测试。对于进厂原材料和准备好的培养基，可用的信息只有pH值、电导率和有限数量的离子测量，这为稳健的CPV分析所需的集中历史数据集创造了空白。不仅需要监测进厂原材料数据，还需要实时监测更全面的生物反应器数据。例如，生物反应器中的乳酸和氨浓度对细胞生长和细胞死亡有显著影响，因此需要实时监测这些参数，以便将其与产品质量档案的变化联系起来。目前，这些上游生物反应器参数是使用离线仪器测量的，这些仪器并不能真正代表生产生物反应器环境中发生的情况。
在持续工艺验证（CPV）程序的背景下，处理复杂的数据分析网络构成了主要挑战。这种困难因生物反应器过程的多种输入和输出参数而加剧，如表9.2所阐明的。流行的数据分析方法主要是基于可视化的，采用诸如将多批数据叠加在细胞生长时间线上的技术。这些方法为单参数行为提供了一些回顾性分析，但在预测未来结果或解读不同参数之间的相互作用时却不够。
先进的数据分析技术成为至关重要的工具，为复杂数据集提供多维解释，并提供可操作的洞察。包括Papathanissiou等人在内的研究人员强调了这种增强分析工具的必要性。这种必要性超出了分析上游过程参数，如pH值和温度，包括各种组分的实际浓度，并了解不同生物反应器条件对蛋白质档案的影响。
值得注意的是，过程分析技术（PAT）可以显著增强数据分析在质量源于设计（QbD）中的作用。FDA在2004年描述了PAT，PAT强调通过及时测量原材料和在制品以及最终产品的关键质量和性能属性，来设计、分析和控制制造过程。将PAT与先进的分析结合起来，增强了对过程参数和产品质量属性的实时监测，促进了对过程控制和优化的动态、适应性方法（“行业指南PAT - 创新药物开发、制造和质量保证的框架”2004年）。
此外，通过整合组学数据，如基因组学、转录组学、蛋白质组学和代谢组学，QbD中的先进数据分析能力可以被显著放大。组学数据提供了细胞系统与生物过程在分子水平上的相互作用的见解，促进了对影响产品质量和性能的细胞机制的更深入理解[参考]。当与多尺度数据分析一起使用时，先进的分析技术可以提供对过程变异性和过程-产品关系的全面理解。
然而，将先进的数据分析工具纳入制药行业并非没有挑战。一个重要问题涉及不同发展和生产阶段的数据质量、可用性和整合。不完整或不一致的数据可能会削弱先进分析工具揭示有意义的模式和关系的有效性。因此，强大的数据管理策略和建立共同的数据标准对于确保先进分析应用的数据质量和一致性至关重要。
另一个问题来自于监管当局和行业利益相关者对先进分析方法得出的模型预测和决策的解释和理由的期望。这些期望可能是具有挑战性的，特别是对于黑箱模型。此外，先进数据分析工具经常使用的复杂的数学和计算方法可能会引起对模型和结果的可解释性和透明度的担忧。开发更可解释、可解释和透明的AI和机器学习（ML）模型对于缓解这些担忧和促进监管接受至关重要。
体外结合测定可以提供有限的效力测量，但不指示药物在人体内的行为。像免疫原性这样的安全性相关功能也得不到当前测定的充分解决。除了这些技术挑战外，实现真正的QbD和CPV还需要深入了解不同的蛋白质变体，如各种糖基化形式、聚集体和片段，以及它们对产品整体安全性和有效性的影响。
最可靠的安全性和有效性数据通常来自临床试验。然而，这些试验中使用的批次数量通常受到限制，通常只有一两批，这在QbD程序中为质量目标产品档案（QTPP）定义留下了相当大的空白。这种限制的原因是最小化产品变异，增加实现统计显著的临床结果的概率，并管理生产具有多样化QTPP档案的多个产品批次所涉及的高成本和时间。
应对这些挑战并充分利用QbD和CPV计划的全部潜力，将需要制药行业进行重大投资，涉及开发和实施创新的数据分析技术和稳健、透明的AI和ML模型。此外，研究人员、行业利益相关者和监管当局之间的合作至关重要，以建立数据管理策略和通用数据标准。这些措施将确保不同开发和生产阶段的数据是高质量、一致且可访问的。
此外，增加临床试验中使用的产品批次数量，并使用先进的分析工具来监测和优化生物过程，可以提供对QTPP更细致的理解，提高产品的安全性和有效性。这种方法还可以增强制造过程，实现生物加工中更具动态性和适应性的控制，最终有助于QbD和CPV计划的整体成功。
4.克服QbD实施当前挑战的努力
当在药物开发过程的最初阶段建立正确的工具和系统时，将有可能全面实施治疗蛋白制造的QbD方法论。可以通过实施积极的原材料抽样计划来解决原材料数据的缺乏问题，在工艺开发、放大和全面制造步骤期间分析进厂培养基批次的微量元素、维生素和氨基酸。除了原材料数据外，生产期间细胞培养基的积极抽样计划对于进一步增强数据集至关重要，这可以提供有关蛋白质表征的有意义信息。实际上，在实施使用先进过程分析技术（PAT）的实时生物反应器数据方面已经取得了显著进展。细胞代谢物和培养基组分使用连接到生产生物反应器的在线液相色谱-质谱（LC-MS）连续监测。使用介电谱及时检测凋亡，其中细胞死亡导致目标蛋白的不希望的酶促消化。另一种方法是通过表观遗传学表征培养的细胞，监测环境对细胞DNA调控的影响。然后使用先进的分析工具分析这些额外样本测试和PAT技术获得的数据。
一些人使用正交实验设计（OED）和响应面方法（RSM）来确定实现生物过程满意性能的最佳参数。多元分析工具，如正交偏最小二乘（OPLS）或偏最小二乘或投影到潜在结构（PLS）和主成分分析，已成功部署用于过程监测和早期检测批次偏差。一些软件公司现在提供现成的统计程序，如Minitab和JMP，除了数据可视化外，还可以执行多元分析。Aegis Analytical Corporation的Discoverant®软件提供了一个完全集成的包，其中生物反应器和QC测试结果自动更新并跟踪到他们的分析工具上。QBDC GmbH的METIS数据历史记录软件允许跟踪和追溯所有输入和输出参数以及产品质量属性，以验证成功并优化制造的实施控制策略。一些公司拥有自己的计算科学家团队，以克服使用这些仪器生成高质量数据、将数据汇总并以可预测和有用的方式建模所需的广泛专业知识。无论是购买内置软件还是拥有内部计算团队，全面的数据分析仍然是真正概念接近全面QbD实施的关键促成因素。
近年来，先进的数据分析在细胞克隆步骤中被用来选择细胞系，作为一种基于in silico预测模拟的机器学习工具，在生物技术社区中也被称为生物信息学和人工智能（AI）。基于细胞代谢和过程生产率信息，成功地选择了一个高滴度细胞系，可以联系生物信息，如细胞代谢，和过程生产率。Barberi等人成功地使用细胞代谢信息估计终点滴度以选择一个高性能的细胞系。现在有许多公司提供定制设计的生物信息学工具，用于基因测序和细胞系设计步骤，因为它允许修改氨基酸序列以避免潜在的聚集和截断点。基于AI的预测建模也用于控制蛋白质糖基化谱。Kontoravdi等人开发了一个模型来设计一个期望的喂养时间表，该时间表在细胞生长动力学、细胞代谢和蛋白质糖基化谱方面提供了良好的一致性。
尽管在先进的分析方面取得了这样的进展，但真正的QbD概念只有在更多的投资变得可用以收集广泛的产品档案及其对药物的安全性和有效性的影响时才能实现。需要在开发实验室规模的体内测定方面取得更多的进展，这些测定可以测量各种糖基化谱和产品变体的免疫原性。工艺开发应包括额外的资金以分离各种产品变体并进行体内结合测定。
开发和实施QbD流程的关键在于在细胞系开发过程以及从GMP过程性能确认计划及其后的过程中使用和实施潜在的未来控制策略。由于需要考虑的参数和属性数量庞大，当前逐步单一实验评估的方法将无法成功。类似于QTPP，我们需要实施一个目标过程档案和一个前瞻性风险评估，这在开发的早期就预测最终的制造过程。潜在的障碍、失败、影响和依赖性需要被纳入到过程开发设计中，并在整个开发阶段进行分析。PAT系统和复杂的消耗培养基分析对于开发过程模型至关重要。然而，这些系统不仅应关注上游和细胞培养参数，还需要包括下游步骤甚至药物产品的配方。数据量将是巨大的，并将变得非常大，常规的统计工具将无法适应有意义的数据解释，但机器学习和AI工具是不可避免的。此外，所有数据需要在一个数据库、一个系统中，该系统允许从整个开发过程中提取数据，如上所述，从细胞系开发开始。
5.结论
QbD方法论是一个强大的工具，有助于治疗蛋白的开发有效和稳健。虽然这种方法论在制药行业中得到了广泛的应用，但由于以下原因，QbD概念的完整实施仍然有限：（1）在开发过程的初期没有足够的时间充分表征目标蛋白档案，（2）输入和输出参数的复杂性阻碍了实验设计的完整性，以及（3）收集和分析端到端产品和制造数据的挑战。在高级数据分析和机器学习方面已经取得了显著进展。然而，进厂原材料和安全性和有效性信息的更全面数据收集仍然缺失。由于未满足的医疗需求，许多新的治疗蛋白是基于快速时间线开发的，这禁止了进行此类安全性和有效性发现体内研究所需的时间。体内研究的更多进展与高级数据分析相结合，将有助于QbD方法论的完整实施。
