Samsung Biologics × IA

Los biorreactores CHO de 15.000-30.000 L de las Plants 1-3 generan series temporales de 200+ parámetros durante los 12-14 días de cultivo. El rendimiento final de proteína (titer, g/L) es la variable más crítica económicamente. Un modelo de predicción temprana del titer permite anticipar lotes de bajo rendimiento en el día 3-5 y ajustar las condiciones de alimentación (feeding strategy) para maximizar la productividad. Un 5% de mejora en el titer medio representa decenas de millones de euros en capacidad adicional sin nueva inversión de capital.

MFG para predicción del titer final a partir de los parámetros de proceso de los días 1-5 de cultivo (VCD, viabilidad, glucosa, lactato, pH, DO, pCO2). Modelo de detección temprana de desviaciones de CPP (Critical Process Parameters) con alertas que permiten intervención correctiva antes de que el lote quede fuera de especificación. Optimización automática de las condiciones de feeding (glucosa, aminoácidos, soluciones buffer) basada en el perfil metabólico en tiempo real. Integración con los sistemas SCADA/DCS de las plantas de Incheon (Siemens PCS7, Rockwell FactoryTalk).

La conjugación de ADCs (antibody-drug conjugates) es técnicamente más compleja que la manufactura de mAbs convencionales. El Drug-to-Antibody Ratio (DAR) — el número promedio de moléculas de payload por anticuerpo — es la especificación más crítica del ADC: DAR demasiado bajo reduce la actividad citotóxica; DAR demasiado alto aumenta la agregación y toxicidad. El control del DAR requiere ajustes precisos de la concentración de linker-payload y las condiciones de reacción (pH, temperatura, tiempo) en tiempo real.

MFG para predicción del DAR final a partir de los parámetros de la reacción de conjugación (ratio molar linker:anticuerpo, pH, temperatura, tiempo) con control adaptativo. Modelo de predicción de la distribución de especies DAR (DAR0, DAR2, DAR4, DAR6, DAR8) — no solo el DAR medio — para optimizar las condiciones de purificación posterior. Detección temprana de desviaciones en el perfil de agregación post-conjugación (DLS, SEC) para anticipar lotes con alta proporción de agrerando DAR8+ fuera de especificación. Samsung Biologics Plant 4 se convierte en el referente de manufactura de ADC con IA en Asia.

Las desviaciones de proceso en manufactura de biológicos generan CAPAs (Corrective and Preventive Actions) cuya investigación requiere revisar cientos de lotes históricos, SOPs, especificaciones de producto y regulaciones ICH Q10 (Pharmaceutical Quality System) y ICH Q11 (Development and Manufacture of Drug Substances). El equipo de QA dedica semanas a la redacción de investigaciones de desviación que el copiloto puede estructurar en horas.

SPC con RAG sobre el knowledge base de Samsung Biologics: SOPs, especificaciones de producto, datos históricos de lotes, investigaciones de desviaciones previas y regulaciones ICH. Q&A para ingenieros de QA sobre el análisis de causa raíz de desviaciones específicas con comparación contra el histórico de lotes similares. Generación asistida de informes de desviación (deviation report) con la estructura requerida por FDA/EMA y KFDA (autoridad regulatoria coreana). Alto impacto: reduce el tiempo de cierre de CAPA de semanas a días.

Cada nuevo contrato CDMO requiere una transferencia tecnológica (tech transfer) del proceso del cliente a la planta de Samsung Biologics. Este proceso implica adaptar el proceso de producción del cliente (normalmente en biorreactores de 200-2.000 L en su planta) a los biorreactores de 15.000-30.000 L de Samsung, preservando la calidad del producto (especificaciones CQAs). Es el proceso de mayor riesgo técnico y de mayor coste de tiempo en el CDMO.

SPC para asistencia en tech transfer: dado el proceso del cliente (parámetros de proceso a escala pequeña, datos de desarrollo, especificaciones CQA), el copiloto predice los ajustes de CPP necesarios para el scale-up a escala industrial basándose en el histórico de tech transfers previos de Samsung Biologics con moléculas similares. Generación del plan de comparabilidad (ICH Q5E) con los estudios analíticos requeridos para demostrar equivalencia entre el proceso original y el proceso transferido. Reduce el tiempo de tech transfer de 18-24 meses a 12-15 meses.

La glicosilación de los anticuerpos monoclonales (N-glicanos en Asn297 de la región Fc) es un CQA (Critical Quality Attribute) que afecta la eficacia (ADCC, CDC) y la farmacocinética del mAb. El perfil de N-glicanos se mide por LC-MS o por HILIC-FLD, generando cromatogramas con docenas de especies glico distintas. La interpretación manual de estos perfiles para la liberación del lote requiere especialistas en glicobiología — la IA puede automatizarla completamente.

CIA para análisis automático de espectros LC-MS de N-glicanos: identificación y cuantificación de G0F, G1F, G2F, Man5, G0, galactosilación y fucosa con comparación automática contra las especificaciones del lote y el perfil histórico de referencia. Predicción de desviaciones en el perfil de glicosilación a partir de los parámetros de proceso upstream (temperatura de cultivo, concentración de glucosa, nivel de CO2) — permite ajuste proactivo antes de la cosecha. Integración con sistemas Empower 3 (Waters) y MassLynx para automatización del reporte de glicanos.

Las variantes de carga de los anticuerpos (especies ácidas: desamidación, sialilación; especies básicas: lisina C-terminal, isomerización de Asp) son CQAs monitorizados por cIEF (capillary isoelectric focusing) o CEX (cation exchange chromatography). La especificación de variantes de carga (% especie ácida, básica, principal) es uno de los criterios más estrictos de la liberación del lote y uno de los más difíciles de interpretar de forma consistente entre analistas.

CIA para análisis automático de cromatogramas CEX y cIEF con identificación de picos de variantes de carga, cuantificación de porcentajes y clasificación automática como dentro/fuera de especificación. Modelo de predicción de las variantes de carga finales a partir de los parámetros de proceso downstream (pH de purificación, temperatura, tiempo de almacenamiento del bulk). Generación automática de los gráficos de tendencia (trending) de variantes de carga a lo largo de lotes consecutivos para el Product Quality Review (PQR) anual. Reduce el tiempo de revisión de QC de datos de variantes de carga en un 70%.