Sanofi 与 Ypso-Facto 发表模拟辅助多柱色谱工艺开发研究,面向重组蛋白疫苗生产
Simulation-Aided Development of Multicolumn Chromatography Processes for Protein-Based Vaccine Production
Sanofi 与 Ypso-Facto 发表研究,用机理模型支持重组蛋白疫苗生产的多柱亲和层析捕获步骤开发。研究在实验室规模采用三柱、两根位于上样区的构型,将上样量确定为 7 CV;放大到处理 10 L 澄清收获液时,实验与模拟收率分别为 85.6% 和 86.6%。相较单柱单次上样,多柱配置可将总柱体积降低近 20 倍,机理建模所需实验约为响应面 DoE 的三分之一。

https://stock.adobe.com
基于重组蛋白的疫苗代表了一类多样化的免疫学产品,其抗原蛋白因靶标不同而表现出显著差异。此类蛋白在分子量、等电点、三级结构和糖基化谱方面可能存在很大差异。此外,它们使用多种表达系统生产,包括原核平台如大肠杆菌以及真核系统如中国仓鼠卵巢(CHO)细胞或草地贪夜蛾 9(Sf9)昆虫细胞(1, 2)。这种异质性给下游工艺开发带来了相当大的挑战,因为纯化策略必须针对每种产品量身定制。
为应对这些挑战并加速疫苗可及性,Sanofi正在推行一种广泛适用的、基于平台的工艺开发方法。该策略旨在缩短开发时间线、促进放大,并简化向生产设施的过程转移。该平台的一个关键要素是使用基于亲和标签的色谱捕获步骤,该步骤对多种蛋白靶标具有高选择性。然而,亲和树脂存在显著局限性:它们相对昂贵,且往往表现出有限的动态结合载量(DBC)(3)。此类限制可能需要大型柱几何结构,占用大量设施空间,这可能与工业规模实施不相容,同时需要相当大的树脂体积,导致成本过高。
近年来,多柱色谱(MCC)配置,即多根色谱柱相互连接并以协调方式运行,已显示出提高工艺生产率的巨大潜力。尽管该方法主要应用于连续生物工艺,但它同样适用于基于重组蛋白的疫苗生产。MCC可以提高树脂结合载量的利用率,从而减少所需树脂体积和相关缓冲液消耗(因此有助于工艺可持续性),同时确保产品质量一致并促进放大。
MCC操作依赖于基于循环色谱的半连续或连续纯化,其中至少两根色谱柱在进样区串联连接,以有效捕获第一根进样柱的穿透。同时,其他色谱柱并行运行以执行其余色谱阶段:洗涤、洗脱、清洁、平衡等(4)。流路循环切换,使每根色谱柱依次经过各步骤序列,最终在初始爬坡阶段后达到稳态运行。图1展示了MCC操作的原理。

图1:多柱亲和层析原理;(a) 柱出口处示例性产物穿透曲线;(b) 柱内示例性分布曲线;(c) 三柱工艺实施示例,其中两根柱处于上样区,一根柱处于洗脱区;* = 洗脱包括洗涤、再生和再平衡操作。
尽管有这些优势,MCC 开发在实验上可能非常密集,需要大量试验,消耗大量产物才能达到稳态条件并确定最佳操作参数。这些参数包括上样区中的柱数、柱切换前上样区第一根柱的穿透百分比(与上样比率相关)、上样流速(即停留时间)、柱几何形状,以及处理确定量产物所需的循环次数,还包括经典层析参数,如步骤体积、缓冲液组成以及梯度或等度洗脱条件。
层析步骤的机理建模提供了一种高效解决方案,可加速 MCC 工艺开发,同时显著减少实验负担和产物需求(5, 6)。通过准确预测一系列操作条件下的层析行为,机理模型能够快速进行工艺参数的计算机模拟筛选,从而简化从概念到实施的路径。计算机模拟方法可在实验室或中试规模进行验证性 MCC 实验之前,基于预定目标(例如收率、成本和工艺时长)选择最合适的 MCC 参数。
本研究展示了应用机理建模支持重组蛋白疫苗生产的 MCC 亲和捕获步骤开发,说明这种方法如何促进并降低广泛适用的平台工艺开发策略实施的风险。
材料与方法
材料:目标产物是在 CHO 细胞中表达的多聚体重组蛋白。产物在上样到层析系统前经过澄清。
所用缓冲液包括
20 mM 三羟甲基氨基甲烷(tris)(pH 7)
20 mM tris,150 mM NaCl(pH 7)
20 mM tris,1 M NaCl(pH 7)
20 mM tris,4 M NaCl(pH 7)
20 mM tris,1.5 M MgCl2(pH 7)
20 mM tris,2 M MgCl2(pH 7)
0.5 M 柠檬酸
20% 乙醇。
单柱实验在 Cytiva 的 Äkta Pure 25 层析系统上进行,MCC 实验使用 Sartorius 的 BioSMB PD 系统进行。在实验室规模下,使用 5 mL 预装柱(直径 = 0.8 cm,床高 = 10 cm)。中试规模实验使用填充在 Cytiva HiScale 柱中的 43.5 mL 树脂(直径 = 2.6 cm,床高 = 8.2 cm)。
线性梯度洗脱(LGE)实验:这些实验使用 5 mL 预装柱。每种条件下,注入 2 mL 经平衡缓冲液透析的纯化产物。表1详述了 LGE 实验的操作条件。

表 1:线性梯度洗脱(LGE)实验的操作条件;CV = 柱体积,LGE = 线性梯度洗脱
穿透实验:穿透实验使用 5 mL 预装柱进行。澄清收获液以 100 cm/h 的流速上样。进样过程中,以 2 mL 馏分收集流穿液。持续上样直至流穿液的紫外(UV)信号与澄清收获液相等。
单柱纯化实验:单柱实验使用 5 mL 预装柱进行。确定最佳上样比为 4.8 柱体积(CV)的澄清收获液,停留时间为 5 分钟(120 cm/h)。单柱层析方法通过对该步骤的建模得到优化。优化后的方法见表 2。

表 2:优化后单柱工艺的描述;CV = 柱体积
多柱纯化实验:MCC 实验使用 Sartorius 的 BioSMB 层析系统进行。所有实验均采用三柱配置,其中两根柱位于上样区。方法详情见表 3。

表 3:多柱层析方法;所列放大体积(10 L)对应所处理的粗溶液量。(CV = 柱体积)
实验室规模和中试规模的上样线速度因两个规模之间柱床高度的差异而不同。为在所有层析步骤中保持相同的停留时间,从而使步骤持续时间具有可比性,线速度进行了相应调整。
在实验室规模下,产品进料浓度为 0.55 g/L,共进行三个循环。初始平衡阶段用于同时平衡三根柱。随后,使用标准操作循环进行停机阶段,其中澄清收获液进样被暂停所替代。
在中试规模下,产品进料浓度为 0.50 g/L,共进行 11 个循环。初始平衡阶段用于同时平衡三根柱。停机阶段采用与实验室规模相同的方式进行,即由标准操作循环组成,其中澄清收获液进样被暂停所替代。
机理模型
模型描述:层析的机理模型建立在三个基本支柱之上(7, 8):
热力学,描述物质在溶液中的行为以及它们在平衡状态下如何与层析介质相互作用
流体动力学,描述流体如何流过层析柱
动力学,描述物质从溶液扩散到层析介质以及反向扩散的速度有多快。
热力学充当驱动分离的“引擎”,而流体动力学和动力学则充当两个“刹车”,因峰展宽而降低分离性能。
溶液平衡: 考虑酸碱解离平衡,以便正确计算 pH 和电导率信号。对于缓冲溶液中的简单分子(例如 tris),每种质子化状态被视为单独的物质,酸碱平衡用其相关的解离常数(pKa)值来描述。例如,tris+ ⇄ tris + H+,其 pKa 为 8.1。对于蛋白质等复杂分子,则视为单一物质,其净电荷随 pH 变化。对每个氨基酸残基定义解离平衡及其相关的 pKa 值(9)。基于这些信息,可以在任意给定 pH 下计算负电荷总数、正电荷总数和净电荷(即负电荷与正电荷之和)。
吸附等温线:由于本研究聚焦于高度特异性的亲和色谱,因此假设只有带有亲和标签的蛋白质会与色谱介质相互作用,而所有杂质均在不与固相相互作用的情况下随液相洗脱。基于这些假设,选择了经典的非竞争性 Langmuir 吸附等温线:
方程 1:

其中 C̅j 和 Cj 分别为蛋白质在固相和液相中的浓度。项 λ̅j 表示等温线的线性贡献,N̅ 为吸附剂容量,K̅j 为亲和参数,其值取决于氯化镁浓度 [Mg2+]。使用以下方程:
方程 2:

其中 n、K̃Mg2+ 和 K̃0,j 为模型拟合参数。
流体动力学:柱流体动力学用串联混合池级联来描述。关键模型参数是 J,表示混合池的数量。
传质动力学:传质动力学用线性驱动力近似来描述。对于简单物质,使用恒定的特征内部传质时间(ti)。蛋白质则需要一个取决于保留强度的表达式:
方程 3:

其中 ti,0 为拟合参数,n 为吸附等温线中使用的参数。
外部传质(te)采用 Wakao–Funazkri 关联式描述:
公式 4:

其中 Re 和 Sc 分别为雷诺数和施密特数。
所有模拟均使用 Ypso-Ionic 软件(Ypso-Facto)进行。
模型参数的确定: 模型参数采用先前描述的方法确定(10, 11)。简言之,通过 LGE 实验估算吸附等温线的模型参数,但吸附剂容量除外,其由穿透曲线确定。与传质动力学相关的参数最初由穿透曲线估算,随后使用在 7 CV 载量下进行的 MCC 实验进行优化。
结果
工艺描述: 从批次工艺切换到 MCC 方法需要若干调整。识别出的第一个关键瓶颈是非载料步骤与载料步骤之间的时间不平衡。因此,开展了一项研究以评估在连续循环之间取消树脂清洗的可行性。该研究表明,即使在循环之间不进行树脂再生,产品质量仍符合标准,且树脂寿命未受到不利影响。
为进一步改善载料与非载料步骤之间的时间平衡,对每个步骤的流速和体积进行了优化。首先,应用机理模型预测最佳条件;随后,通过实验确认这些条件。
建立功能性 MCC 方法的最后一步是确定载料体积。载料区中第二根色谱柱的可用性使得载料体积可以高于批次操作。为确定最佳体积,基于模型生成了产率随载料体积和流速变化的预测。基于这些预测,进行了实验试验,确认在所研究条件下最佳载料体积为 7 CV。图 2 展示了所选 MCC 方法的示意图。

图 2: 三柱工艺的选定操作序列
工艺理解: 模拟提供了难以通过实验获得的信息。例如,详细的出口浓度曲线即属此类,其可通过计算机模拟确定每根色谱柱的出口和入口、收集罐内、甚至排放液(例如废液罐)中的情况。相比之下,实验测量通常仅限于在少数特定位置记录的紫外(UV)信号。
仿真还可提供内部浓度分布曲线,其可视化有助于加深对工艺的理解。一个示例性应用是研究系统启动过程,在此期间 MCC 工艺逐步达到稳态。图 3a 显示了参考 BioSMB 运行中第一根色谱柱出口处的产物浓度,该运行采用三根色谱柱(7 CV 上样量)并接受相同的进样。图 3b 显示了相应的内部浓度分布曲线。请注意,第 1 个循环结束时树脂上结合产物的量少于后续循环结束时,这表明需要经过若干循环才能达到稳态。
一种加速达到稳态并提高生产率的策略是采用功率进料方法,即在第一次进样时上样比后续进样更多的产物。相应结果见图 3c 和 3d,其中第一个循环的进样体积加倍。在这些条件下,可立即达到稳态。

图 3:功率进料策略对达到稳态运行的模拟影响;(a) 参考案例中第一根色谱柱出口处的产物浓度;(b) 参考案例中的内部浓度分布曲线;(c) 功率进料案例中第一根色谱柱出口处的产物浓度;(d) 功率进料案例中的内部浓度分布曲线
工艺优化:采用仿真预测两个关键工艺参数(CPP)——即上样体积和上样流速——对实验室规模三柱配置的三个关键性能指标(KPI)——收率、生产率和洗脱液消耗量——的影响。KPI 定义如下:
公式 5:

公式 6:

公式 7:

其中 C 为产物浓度(在洗脱液或进料中),m 为质量(洗脱液中产物的质量或进料中产物的质量),ncol. 为色谱柱数量,trun 为工艺运行时间,V 为体积(进料、洗脱液或工艺用水的体积),Vcol. 为一根色谱柱的体积,V总柱数 为色谱柱的总体积(Vcol. × ncol.)。
图 4 以曲面形式展示了仿真结果。实验数据以黑点表示,相应的原始数据见表 4。仿真结果与实验结果吻合良好。因此,仿真可用于快速筛选大量操作条件,并识别出性能最有前景的条件。

图 4:上样体积和流速对收率、生产率和洗脱液消耗量的影响;黑点对应实验结果。(CV = 柱体积)

表 4:使用 BioSMB 色谱系统在实验室规模下进行的实验运行概览;CV = 柱体积
在低上样流速和低上样体积下获得了最高收率,因为这些条件使上样阶段的产品损失降至最低。然而,低上样流速会降低生产率。因此,必须找到一个权衡点,以在实现高收率的同时保持合理的生产率。由于产品损失更大,洗脱液消耗量随流速加快而增加。它也会随上样体积增大而降低,因为每个循环处理的产品量更大,即使收率(以百分比计)可能下降。
定义成本函数可以同时考虑多个 KPI,从而便于工艺选择。本研究中使用了以下成本函数:
公式 8:

其中 time 指工艺时间,a 量化进料成本(€/g 产品),b 代表树脂成本(€/L 树脂),c 为原材料成本(€/L 洗脱液),d 等于人工成本(€/小时)。对于这些参数,考虑了示例性数值,以展示上样体积和流速对成本的影响。
图 5 显示了成本随上样体积和上样流速变化的结果。

图 5:上样体积和流速对成本的影响;CV = 柱体积
工艺放大:一旦在实验室规模建立了机理色谱模型,就可用于预测其他规模下的工艺性能。这种能力可用于,例如,
提前验证拟用于大规模实施的操作方案是否合适,从而减少大规模运行次数
理解和解释预测结果与实验结果之间的潜在差异,从而支持纠正措施的决策。
图 6 展示了这种方法,其中以 7 CV 上样运行的 BioSMB 工艺被放大至处理 10 L 澄清收获液。系统中使用了三根色谱柱。来自实验的 UV 信号与收集罐(图 6a)和排液(图 6b)的模拟浓度曲线均很好地重叠。由于排液中测得的 UV 信号饱和,无法对该流进行实验与模拟的详细比较。实验收率和模拟收率分别为 85.6% 和 86.6%,表明该模型具有良好的预测能力。

图 6:三柱 BioSMB 运行在 10-L 规模、7 柱体积(CV)上样条件下的实验(EXP)值和模拟(SIM)值;(a) 收集罐入口处的产品和杂质浓度;(b) 排液中的产品和杂质浓度。(UV = 紫外光)
讨论
MCC 方法的意义:本节展示一个应用示例,目标如下:
收率高于 85%
每根柱 15 个循环,对应预期的树脂寿命
处理 200 L 澄清收获液,以生成用于临床试验的原料药。
根据图 4,能够在最大化生产率(这是主要的成本驱动因素,因为它直接反映了所需的总 CV 数)的同时实现 85% 以上收率的操作条件是 6.5 CV 的载量和 180 cm/h 的载量流速。
对于单柱和多柱系统,所需的总柱体积(V总柱数)可按如下方式估算:
公式 9:

其中 V进料 是待处理的进料体积,C进料 是进料中的产物浓度,N循环 是处理该进料体积所需的循环次数,capacity 是色谱介质的静态载量,margin 对应有效利用的树脂分数。该值越接近 1,树脂的利用效率越高。在多柱系统中,载量阶段串联连接的柱子能够捕获穿透的产物,因此与单柱系统相比可获得更高的 margin。
表 5 给出了单柱和 MCC 配置的结果,其中 C进料 值为 0.55 g 产物/L 树脂,树脂载量为 3.4 g 产物/L 柱体积。对于单柱工艺,评估了两种情形:单次进料溶液进样(单次通过)和两次连续进料溶液进样(双次通过)。我们发现,与经典的单柱、单次通过工艺相比,多柱工艺可使总柱体积减少近 20 倍。相对于双次通过单柱工艺,柱体积减少了 10 倍。

表 5: 单柱和多柱工艺的柱尺寸设计
机理建模方法的价值:MCC 开发需要大量产物以及相当长的开发时间。事实上,对于每个实验条件,都必须进行多个循环才能达到稳态条件。采用机理建模方法,可以进行计算实验,只需对最有前景的操作条件进行实验测试,从而大幅减少实验室工作量和物料消耗。
选择最佳载量比和流速清楚地说明了这一优势。在没有机理模型的情况下,通常会采用实验设计(DoE)方法。使用带两个中心点的响应面设计(最简单的设计之一),需要 10 个实验来探索设计空间。相比之下,使用机理模型可以确定 3 个实验就足以选择合适的操作参数。在本文所呈现的数据中,进行了 4 个实验,其中额外的条件(10-CV 载量)仅用于模型验证。考虑到每个实验需要约 400 mL 产物,基于 DoE 的方法所需的物料将是机理建模策略的三倍。
除实验效率之外,机理方法也是保障放大的有力工具,因为它支持合理的柱几何参数选择,并能验证所选流速不会超过压降限制。
结论
本研究表明,机理建模是MCC工艺开发的一种强大、高效且可靠的方法。我们的研究结果还表明,MCC工艺的机理模型可以很容易地从现有的批次层析模型推导而来,为工艺理解和优化提供了坚实的基础。
所建立的模型被证明是准确且具有预测性的,不同规模下实验结果与模型模拟之间的高度一致即为佐证。该验证证实了机理建模在MCC工艺开发和放大中的稳健性和适用性。
与传统的统计DoE方法相比,机理建模为MCC开发提供了若干明显优势:
增强的工艺理解——机理框架可提供对 underlying 物理和化学现象的更深洞察,从而实现更明智、更合理的决策
提高的工艺效率——例如,该模型支持更快达到稳态条件,并能够跨操作参数进行全局工艺优化
系统无关的工艺定义——工艺表征可独立于特定层析系统进行,仅需对系统特定参数(例如死体积)进行有限调整
最优参数确定——关键操作参数(例如上样体积和流速)可根据既定目标(生产率、工艺时长和收率)进行优化,从而能够快速比较多种方案以确定最优权衡(例如收率与生产率之间的权衡)
实验工作量显著减少——机理方法所需的实验次数约为标准DoE策略的三分之一,大幅降低了资源消耗并缩短了开发周期
简化的放大——该模型可准确预测不同规模下的工艺行为,降低放大活动中的风险和实验负担。
总体而言,将机理建模应用于MCC工艺开发可提供仅靠实验方法无法实现的能力,包括减少实验工作量、增强工艺知识,以及在计算机上评估替代工艺策略的能力。因此,机理建模是设计高效、可放大且稳健的MCC工艺的关键使能要素,有助于在生物制药生产中成功实现开发和制造目标。
资助声明
本工作由Sanofi资助。其中部分工作由Ypso-Facto以向Sanofi提供咨询服务的形式完成。
利益披露
Eric Forma和Alan Deduyer是Sanofi员工,可能持有该公司的股份和/或股票期权。
致谢
作者感谢 Sanofi 的 Jean-Sébastien Bolduc、Cédric Charretier 和 Guillaume Jeanne 对本稿的审阅,并感谢 Sanofi 疫苗原料药开发团队中为本工作做出贡献的成员。
参考文献
1 Cid R, Bolívar J. 基于蛋白质的疫苗生产平台:从经典到下一代策略。Biomolecules 11(8) 2021: 1072; https://doi.org/10.3390/biom11081072.
2 Sookhoo JRV, et al. 蛋白质表达平台与病毒抗原生产的挑战。Vaccines 12(12) 2024: 1344; https://doi.org/10.3390/vaccines12121344.
3 Zhao M, et al. 用于疫苗生产的亲和层析:终于准备好成为主流了吗?Vaccine 37(36) 2019: 5491–5503; https://doi.org/10.1016/j.vaccine.2018.02.090.
4 Silva RJS, et al. 利用连续层析改进疫苗和基因治疗载体的下游工艺。Pharm. Bioprocess. 3(8) 2015: 489–505.
5 Baur D, et al. 基于模型优化的双柱 CaptureSMB 工艺设计可提高 Protein A 亲和捕获的容量利用率和生产率。Biotechnol. J. 11(1) 2016: 135–145; https://doi.org/10.1002/biot.201500223.
6 Baur D, et al. 连续双柱 Protein A 捕获工艺的模型辅助工艺表征与验证。Biotechnol. Bioeng. 116(1) 2019: 87–98; https://doi.org/10.1002/bit.26849.
7 Pfister D, Nicoud L, Morbidelli M. 连续生物制药工艺:色谱、生物偶联与蛋白质稳定性. Cambridge University Press: Cambridge, UK, 2018; https://doi.org/10.1017/9781108332897.
8 Nicoud R-M. 色谱工艺:建模、模拟与设计. Cambridge University Press: Cambridge, UK, 2015; https://doi.org/10.1017/CBO9781139998284.
9 Dean JA. 兰氏化学手册(第15版). McGraw-Hill: New York, NY, 1998.
10 Kobl K, et al. 离子交换色谱法纯化寡核苷酸:工艺理解、建模与模拟的分步指南。Org. Process Res. Dev. 28(7) 2024: 2569–2589; https://doi.org/10.1021/acs.oprd.4c00013.
11 Pfister D, et al. 离子交换色谱法纯化病毒蛋白:机理建模方法及与统计学方法的比较。BioProcess Int. 23(9) 2025: 24–31; https://www.bioprocessintl.com/chromatography/purification-of-a-viral-protein-by-ion-exchange-chromatography-methodology-for-mechanistic-modeling-and-comparison-with-a-statistical-approach.
Alan Deduyer 是下游科学家([email protected]);Eric Forma 是下游首席科学家([email protected]);Marseille Polytechnical University 学生 Estelle Guiot 曾为实习生,均任职于 Sanofi 疫苗 CMC 开发与供应部门,1541, avenue Marcel Mérieux – 69280 – Marcy l’Étoil, France;https://sanofi.com。 Lucrèce Nicoud 是联合首席执行官,David Pfister 是研发负责人([email protected]),两人均任职于 Ypso-Facto 19 Avenue Foch 54000 Nancy, France;https://www.ypsofacto.com。
请按如下方式引用本文:Deduyer A 等。基于蛋白质的疫苗生产中多柱层析工艺的模拟辅助开发。BioProcess Int. 24(9) 2026: 240906.
来源:BioProcess International · 工艺与质量 · bioprocessintl.com