معماری فرایندهای زیستی نسل جدید: چگونه Design of Experiments از تحلیل آماری فراتر رفت و به قلب توسعه و تضمین کیفیت تبدیل شد

مقدمه

در فضای تحقیق و توسعه امروز، به ویژه در زیست فرایندها و صنایع دارویی، توسعه ی فرایند دیگر با آزمون و خطای شهودی پیش نمی رود. هر سیستم واقعی (از نیمه خالص سازی یک پروتئین حساس تا فرمولاسیون واکسن) تحت تاثیر هم زمان چندین متغیر عملیاتی است. در چنین شرایطی، استفاده از طراحی آزمایش ها (Design of Experiments; DOE) یک انتخاب لوکس نیست؛ یک الزام فنی، کیفی و حتی رگولاتوری است.

DOE یک چارچوب آماری تحلیلی است که اجازه می دهد:

• اثر اصلی هر عامل (main effect) مشخص شود،
• تعامل عوامل (interaction) آشکار شود،
• پاسخ های حیاتی کمی سازی شوند،
• و در نهایت «فضای مجاز و تکرارپذیر فرایند» تعریف گردد.

به بیان ساده تر: DOE فقط می گوید «چه شرایطی جواب می دهد» نیست؛ DOE توضیح می دهد «چرا جواب می دهد و تا کجا قابل اعتماد است».

این دقیقا همان چیزی است که مدیر تولید، تیم کنترل کیفیت (QC) و ناظر رگولاتوری هم می خواهند بشنوند.

اهمیت DOE در توسعه فرایندهای زیستی و دارویی

در توسعه یک فرایند زیستی یا واکسن سازی، ما با یک معادله ساده طرف نیستیم. هم زمان باید:

• بازده (Recovery / Yield) بالا باشد؛
• خلوص (Purity) قابل قبول باشد؛
• ساختار و فعالیت زیستی پروتئین حفظ شود (Structural integrity / Bioactivity)؛
• زمان فرایند و هزینه مواد مصرفی کنترل پذیر باشند؛
• و این وضعیت نه فقط «یک بار در آزمایشگاه»، بلکه در تکرارهای بعدی هم پایدار بماند.

این تضادها ما را مجبور می کند به جای یک «نقطه بهینه ی شکننده»، به چیزی بسیار مهم تر فکر کنیم:
فضای طراحی (Design Space) یعنی محدوده ای از شرایط عملیاتی (pH، غلظت نمکی، دما، دبی جریان، زمان تماس و …) که در آن کیفیت محصول نهایی هنوز در محدوده مجاز باقی می ماند.

این مفهوم در رویکرد «کیفیت از راه طراحی» (Quality by Design یا QbD) کلیدی است و بدون DOE عملا قابل استدلال نیست. در QbD ما باید نشان بدهیم که کیفیت یک خروجی شانسی نیست، نتیجه ی یک فضای کنترل شده است.

در مقابل، رویکرد قدیمی «یک متغیر در هر بار» یا
One Factor At a Time (OFAT)
تنها اثر جداگانه هر عامل را بررسی می کند و تعاملات را نادیده می گیرد. مشکل اینجاست:
در زیست فرایندها، تعاملات (interaction terms) معمولا همان جایی هستند که فاجعه یا نجات رخ می دهد. مثلا pH «خوب» ممکن است فقط در یک دبی جریان مشخص واقعا مفید باشد؛ در دبی بالاتر همان pH باعث تجمع (aggregation) و افت فعالیت زیستی می شود. OFAT هرگز این را به شما نمی گوید. DOE دقیقا برای دیدن همین رفتارهای دو-عاملی و سه-عاملی طراحی شده است.

از DOE به عنوان «آنالیز آماری» تا DOE به عنوان «معماری فرایند»

در یک پروژه R&D واقعی، DOE نباید فقط در انتهای کار و برای “بهینه سازی نهایی” استفاده شود. نقطه ی قدرت DOE این است که از همان ابتدا ساختار کار را مهندسی می کند.

فرض کنیم شما در حال نیمه خالص سازی یک پروتوکسین حساس با منشا کلستریدیایی هستید. هدف:

• کاهش ناخالصی های همراه،
• حفظ توده ی پروتئینی فعال (فرم صحیح مونومر یا پروتوکسین مطلوب)،
• و کنترل تشکیل دیمر، اگریگیت یا تخریب پروتئین.

پارامترهای بحرانی محتمل در چنین فرایندی معمولا این ها هستند:

• pH محیط تماس با رزین یا فاز استخراجی: مستقیم روی بار سطحی پروتئین و پایداری ساختار سوم و چهارم اثر می گذارد. تغییر کوچک در pH می تواند تعیین کند که پروتئین سالم بماند یا دناتوره شود.
• قدرت یونی/غلظت نمک و ترکیب بافر: تعیین می کند کدام گونه پروتئینی به فاز هدف (ستون کروماتوگرافی، فاز نمکی دو-فازی، و غیره) می رود و کدام گونه دفع می شود.
• دبی جریان یا زمان ماند (Residence Time): روی تعادل بین کارایی جداسازی و ایجاد تنش مکانیکی روی مولکول اثر دارد. دبی خیلی بالا = عبور ناکامل و افت بازیابی. دبی خیلی پایین = استرس طولانی، تجمع و هزینه زمانی.

وقتی از یک طراحی نوع سطح پاسخ (Response Surface Methodology) مثل Central Composite Face-Centered (CCF) استفاده می کنی، فقط دنبال “شرایط طلایی” نیستی. شما دارید:

• برای هر پاسخ مهم (مثلا خلوص، بازیابی، پایداری ساختار) یک مدل ریاضی می سازید،
• و این مدل را در یک فضای سه بعدی یا چهاربعدی بررسی می کنید.

نتیجه این است که به جای گفتن «بهترین pH برابر 7.2 است»، شما می توانید بگویید:

• اگر pH بین 7.1 تا 7.3 باشد،
• و دبی زیر 1.0 mL/min نگه داشته شود،
• و غلظت نمک در بافر شست وشو از حد مشخصی بالاتر نرود،
  آنگاه ما حداقل X٪ بازیابی، حداقل Y٪ خلوص، و حداکثر Z٪ تخریب را تضمین می کنیم.

این یعنی تعریف یک ناحیه پایدار قابل استناد، نه یک نقطه حساس که با یک خطای اپراتور می ریزد بهم.

این جا DOE از «تحلیل داده» تبدیل می شود به معماری فرایند (Process Architecture).

DOE، پارامترهای بحرانی فرایند و ویژگی های کیفی بحرانی

زبان حرفه ای امروز در داروسازی و واکسن سازی دو عبارت مهم دارد:

• پارامتر بحرانی فرایند (Critical Process Parameter; CPP)
  یعنی متغیری در فرایند که اگر از محدوده اش خارج شود، کیفیت محصول تهدید می شود.
• ویژگی کیفی بحرانی (Critical Quality Attribute; CQA)
  یعنی خصوصیتی از محصول (مثلا خلوص پروتئین، فعالیت زیستی، حد ناخالصی باقیمانده) که باید در یک بازه مشخص باقی بماند تا فرایند قابل قبول باشد.

DOE پل بین این دو است.
با DOE می توانیم بگوییم کدام پارامترها واقعا CPP هستند و کدام فقط «حاشیه ای»اند.
این تشخیص فوق العاده مهم است، چون روی همه چیز اثر دارد:
از اینکه کجا باید مانیتورینگ لحظه ای بگذاریم، تا اینکه کدام مرحله نیاز به SOP سخت گیرانه دارد، و حتی اینکه در ممیزی چه چیزی باید دفاع شود.

پایداری (Robustness)، تحمل خطای اپراتور و قابلیت دفاع رگولاتوری

اگر DOE را فقط به چشم «ابزار بهینه سازی» ببینیم، نصف ارزشش را دور ریخته ایم.
ارزش بزرگ DOE در R&D صنعتی این است که به ما می گوید فرایند چقدر تحمل خطای انسانی دارد.

نمونه:
اگر اپراتور در یک بچ تولیدی، pH را 0.2 واحد خارج از مقدار هدف تنظیم کند،
یا دبی جریان ستون کروماتوگرافی کمی بالاتر برود،
آیا محصول نهایی هنوز در محدوده ی CQA می ماند یا نه؟

DOE این سوال را با زبان آمار و مدل پاسخ می دهد و نتیجه اش چیزی ست که بعدا مستقیم می رود داخل:

• SOPهای تولید،
• بسته های کنترل کیفیت،
• و مستندات رگولاتوری.

این یعنی DOE فقط ابزار بهبود علمی نیست؛ یک ابزار دفاع رسمی است.
وقتی در جلسه ممیزی یا ارزیابی کیفیت از شما می پرسند «چرا این محدوده را به عنوان محدوده مجاز تعریف کرده اید؟»، شما به جای اینکه بگویید «چون تجربه ی ما این بوده»، می توانید بگویید «چون مدل DOE نشان داده خارج از این بازه، CQA افت می کند». این فرق علم مستند با علم تجربی شخصی است.

DOE به عنوان موتور تصمیم گیری داده محور

در محیط های R&D منابع نامحدود نیستند. مواد اولیه زیستی گران است. بعضی آزمایش ها به دلایل ایمنی یا اخلاقی محدودند. هر ساعت نیروی انسانی اهمیت دارد.

DOE کمک می کند بفهمیم:

• کدام پارامتر ارزش دارد برایش وقت و بودجه بگذاریم چون بیشترین اثر را دارد؛
• و کدام پارامتر، حتی اگر خیلی جذاب به نظر برسد، در عمل روی CQA اصلی تقریبا بی اثر است.

این یعنی تصمیم گیری علمی درباره اینکه انرژی تیم کجا باید صرف شود.
در عمل این تفاوت می تواند هفته ها زمان توسعه را کوتاه کند و جلوی تکرار آزمایش های غیرضروری را بگیرد.

آینده DOE: همگرایی آمار کلاسیک با مدل سازی پیش بینی

نسل جدید DOE دیگر فقط جدول و آنالیز و نمودار کانتور نیست.
امروز DOE در بسیاری از محیط های جدی با:

• یادگیری ماشینی (Machine Learning)،
• مدل سازی جایگزین / Surrogate Modeling،
• و حتی Digital Twin (دوقلوی دیجیتال فرایند)

ادغام می شود.

یعنی چه؟
یعنی شما ابتدا با DOE یک مجموعه داده ساخت یافته و قابل اعتماد تولید می کنید.
این مجموعه داده بعدا وارد مدل پیش بینی می شود و مدل می تواند قبل از اینکه شما یک بچ واقعی بگیرید، سناریوهای مختلف را شبیه سازی کند.

نتیجه چیست؟
مسیر کلاسیک «آزمایش ، خطا ، اصلاح و دوباره آزمایش» کم کم جای خودش را به مسیر «طراحی ، پیش بینی ، تایید و انتقال به تولید» می دهد.
برای حوزه هایی مثل واکسن سازی و خالص سازی توکسین ها که هر بچ هم هزینه دارد، هم ریسک زیستی دارد این تغییر فقط راحتی نیست، یک مزیت استراتژیک است.

جمع بندی

طراحی آزمایش ها (DOE) دیگر یک ابزار فرعی در پایان نامه یا یک جدول آنالیز واریانس نیست.
DOE همان زیرساخت فکری است که از آن طریق:

• پارامترهای بحرانی فرایند (CPP) شناسایی می شوند،
• ویژگی های کیفی بحرانی محصول (CQA) کمی سازی می شوند،
• فضای طراحی (Design Space) تعریف می شود،
• و فرایند در نهایت قابل انتقال به تولید، قابل مانیتور و قابل دفاع می شود.

در حوزه های حساس مثل خالص سازی پروتئین های سمی یا نیمه سمی، تولید آنتی ژن های واکسنی و توسعه فرمولاسیون های زیستی،
DOE نقشه ی راهی ارائه می دهد که پژوهشگر را از آزمون و خطای پرهزینه بیرون می کشد و به توسعه ی پایدار، تکرارپذیر و قابل استناد می رساند.

این یعنی:
بدون DOE، شما فقط «نتیجه ی خوب» دارید.
با DOE، شما «نتیجه ی خوب + توضیح قابل دفاع برای اینکه چرا و چگونه به آن رسیده اید» دارید.
و در علم امروز، همین توضیح است که ارزش واقعی می سازد.