技术漫谈｜DOE实验设计系列：关键工艺参数的如何识别、定义？

2021-06-10 14:06 作者:JMP数据分析 0人读过 | 我要投稿

关键工艺参数的如何识别、定义？

✎ 作者：合全药业制剂业务后期项目部

作者注：本文中CPPs仅对工艺部分进行探讨，物料相关如API、辅料、包装被定义为关键物料属性; 有观点认为与物料相关的属性也是CPPs，不同的见解将不在本文讨论的范畴内。同样，分析方法中产生的CPPs也不在本文讨论的范畴内。

在QbD理念中，关键工艺参数（Critical process parameters, CPPs）贯穿整个制剂生命周期，从研发、放大到验证，涉及每个工艺流程操作环节。ICH Q8文件中也提到“CPPs需要被识别和控制使得产品达到需要的质量属性目标”，所以CPPs也通常被建议用于研发生产环节及质量控制保证。

尽管很多朋友对CPPs都不陌生，但能正确识别CPPs并制定合理有效、可行性范围的却很少。若错误的选择或遗漏，都将使工艺过程变得无法控制，产品质量无法保证。接下来，这里提供一种方法帮助各位朋友解决以上问题。

首先，是正确识别CQAs。

如何能更好地识别并控制CPPs？需做到：

01 对关键质量属性的识别

关键质量属性（Critical Quality Attributes, CQAs）由目标产品质量概况（Quality Target Product Profile, QTPP）通过风险评估表格得到。CQAs包括物理、化学、生物、微生物的性能或特征，具有适当的限度、范围或分布，可以确保得到期望的QTPP（来自：PDA TR60 生命周期方法的工艺验证）。

识别和定义键质量属性请记住以下公式:

CMAs(关键物料属性)+CPPs(关键工艺参数)+不可控因子(部分)=CQAs(关键质量属性)

02 对工艺流程的理解

为了更好地理解CPPs，我们接着对工艺流程进行分解：

制剂开发人员需理解整个工艺过程，风险评估在此环节扮演重要角色。除常规的工艺流程图外，如下细分的两个环节可帮助进一步理解工艺流程：

1. 理解单元步骤（大块）和CQAs的关系

2. 各单元步骤（小块）中工艺参数与CQAs的关系

图4 - FDA-IR案例中单元步骤（混合）各工艺参数和CQA（混合均匀度）关系

通过“工艺流程图、单元步骤（大块）和CQAs的关系、各单元步骤（小块）中工艺参数与CQAs的关系”，就可以更好地理解工艺流程。请注意，工艺过程中的客观环境因素（不可控但却影响CQAs），仍需将其纳入考虑范围。

03 小结

CQAs是对QTPP的分解解读，即通过风险评估将QTPP分解为专业角度“可理解、可定义、可执行”的多个小目标（CQA），并结合药典（中美、欧洲等）、行业标准、先验知识、历史数据，从数学角度制定可靠的“可视化、可量化”的范围。虽然CPPs是以CQAs为目标进行的研究，但最初的各PPs（工艺参数，process parameters）范围确定仍必不可少，范围数值可来自于先验知识、历史数据，甚至是产品设备说明书、设备供应商提供的经验数据等。

通常在正式实验设计DOE之前，会考虑进行一些预实验工作，其意义在于：

可通过制定各PPs的初期范围，并进行工艺范围边界探索实验。否则，按常规析因设计各参数端点值组合而成的实验，往往在现实中无法达到且无意义。
基于CPPs + KPPs +其他PPs(贡献低)=全部PPs，通常可以通过风险评估和预实验删除“其他PPs(贡献低)”的一部分，使得CPPs, KPPs（重要工艺参数, Key Process Parameters）和剩余“其他PPs(贡献低)”作为因子加入到后续DOE开发中，达到降低实验量、控制时间和成本的目的。剩余“其他PPs(贡献低)”则可通过“ANOVA分析以P值大于0.05不显著”为依据去除。

04 用统计学分析、识别并定义CPPs

用例子说明如何操作：按如下系统的实验设计为例，X1~7为PPs，Y为CQA。

注：

1）该数据集是虚拟数据集，只为说明问题但不具备实际意义；

2）Pattern指组合模式，每个因子的范围上限为 + ，下限为 - ，例如X1（2，10），则10为+，2为-；0则是各因子的中心点组合；

3）实际工作中还需对结论数据先进行探索性研究或可视化分析；

4）表格是系统的实验设计，其他传统实验设计或历史数据也可通过统计学分析得到结果。

经过方差分析（ANOVA）标准化系数结果如下：

接着，根据初期PPs排序结果排除掉不显著（not significant）的因子X3、X5、X6：

得到X1、X4、X7的P值都小于0.05，显示有统计学意义。（当某个参数的P值正好在0.05附近，在实验设计中较为常见，而如何去处理，后续文章“实验设计DOE结果分析篇”中会详细叙述，本篇默认暂不处理）。

很多朋友认为，此时CPPs部分工作就到尾声了，会得到结论：X1、X2、 X4、X7是CPPs，需要重点关注并结合SPC和PAT方法着重控制。但以此得出结论存在两个问题：

结论中的显著性因子有些虽然具有统计学意义，但由于实际操作范围广，即使是显著性因子，也不应认为是CPPs；有些模棱两可的因子如X2, P=0.0559，如果实际操作范围很狭窄，也应被认为是CPPs。
将CPPs和KPPs混为一谈。KPPs, CPPs可能影响关键质量属性；KPPs则有可能影响工艺性能。(具体可参考PDA TR60)

可见，CPPs的定义不应该直接与显著性（P＜0.05）挂钩，而需要结合“显著性”与“参数操作范围”：

Scale Estimate标准化系数估计，相当于Half Estimate，定义CPPs时需乘以2，成为Full Estimate。在正式实验设计DOE结果ANOVA分析显著性结果的基础上，结合初期定义后不断理解的各参数实际操作范围（上下限），通过定义M值不同的分段值，即可定义CPPs, KPPs，

M=|2*Scaled Estimate|/（上限-下限）*100%

与风险评估等级类似（低、中、高分别定义为1，2，3）；M也可以定义为（其他PPs <10% , KPPs 10-30%, CPPs >30% 或者其他PPs<15% , KPPs 15-30% , CPPs >30%等）。

05 结论

1 除正式系统实验设计可识别并控制CPPs外，传统实验设计或历史数据也可以整理成矩阵表格的形式通过“数据理解、数据清洗、数据探索、数据建模”的方式得到CPPs。比如，很多情况下只有历史文件或其他场地转移得到的数据包，快速高效地识别、挖掘出关键工艺信息，对接收方后续的研发、生产具有很高的商业价值。

2 申报资料提交时所需的NORs（Normal Operating Ranges) 和PARs（Proven Acceptable Ranges)的制定依据及范围，建议结合CPPs及利用仿真模拟降低缺陷率来证明范围的合理性和可靠性。

如果你也想体验独一无二的JMP实验设计平台，欢迎下载JMP免费试用。

复制以下链接到浏览器下载：

https://www.jmp.com/zh_cn/download-jmp-free-trial.html?utm_campaign=td7013Z000002sEGsQAM&utm_source=bilibili&utm_medium=social