Resource effective optimization strategy for the chromatographic purification of oligonucleotides

Oligonucleotide (ONs) therapeutics are gaining prominence in the biopharmaceutical field due to their clinical success in treating pathologies with few therapeutic alternatives. Despite their promising results, the delayed market adoption of ONs stems from challenges related to delivery, cellular uptake, and inefficient production. The primary bottleneck of ON manufacturing is associated with the costs and limited productivity in chromatographic purification processes. Hence, in this work, an in-silico resource-effective optimization strategy of reverse-phase liquid chromatography (RPLC) is performed to maximize productivity with limited resources. A hybrid RPLC model in MATLAB was developed using a 20-deoxyribose nucleic acid (DNA) chain as a case study. Numerical methods, specifically the Finite Difference Method (FDM) and Finite Volume Method with flux limiters (FVM), were employed to solve Partial Differential Equations (PDEs) to describe the chromatographic systems. Comparing both numerical methods, FVM achieved similar accuracy with coarser grids and shorter computation time. The numerical models were utilized to regress adsorption isotherm parameters of target ONs and impurities using genetic algorithms. FVM demonstrated its advantage in large-scale optimization by requiring smaller population sizes to estimate accurate parameters. Nevertheless, the FDM outperformed the FVM in predicting experimental data not used for parameter estimation. After having trained and validated the model, this was exploited for the in silico optimization of the RPLC. Specifically, the product collection window, loading duration and gradient slope were considered as process variables. A design strategy was then applied to investigate the process design space and maximize yield and productivity at a miminum acceptable purity fixed at 99 %. The computational optimum was experimentally verified, achieving a notable 93% productivity accuracy. Thereby, confirming the precision of the model, and validating the proposed resource-efficient strategy.

Oligonucleotidi (ON) stanno guadagnando importanza nel campo biofarmaceutico grazie al loro successo clinico nel trattamento di patologie con poche alternative terapeutiche. Nonostante i loro risultati promettenti, la ritardata adozione sul mercato degli ON deriva da sfide legate all’assorbimento cellulare e alla produzione inefficiente. Il collo di bottiglia principale della produzione ON è associato ai costi e alla produttività limitata nei processi di purificazione cromatografica. Pertanto, in questo tesi, viene eseguita una strategia di ottimizzazione in-silico efficace in termini di risorse della cromatografia liquida in fase inversa (RPLC) per massimizzare la produttività con risorse limitate. Un modello RPLC ibrido in MATLAB è stato sviluppato utilizzando una catena di acido nucleico 20-desossiribosio (DNA) come caso di studio. Metodi numerici, in particolare il metodo delle differenze finite (FDM) e il metodo dei volumi finiti con limitatori di flusso (FVM), sono stati impiegati per risolvere le equazioni differenziali parziali (PDE) per descrivere i sistemi cromatografici. Confrontando entrambi i metodi numerici, FVM ha ottenuto una precisione simile con griglie più grossolane e tempi di calcolo più brevi. I modelli numerici sono stati utilizzati per estimare i parametri dell’isoterma di adsorbimento degli ON target e delle impurità utilizzando algoritmi genetici. FVM ha dimostrato il suo vantaggio nell’ottimizzazione su larga scala richiedendo popolazioni di dimensioni inferiori per stimare parametri accurati. Tuttavia, l’FDM ha sovraperformato l’FVM nel prevedere i dati sperimentali non utilizzati per la stima dei parametri. Lo studio ha concluso che il modello di Langmuir a sito di adsorbimento singolo era più adatto per l’ottimizzazione del processo con dati sperimentali limitati a causa dell’elevata precisione rivelata e del ridotto rischio di parametrizzazione eccessiva. Pertanto, utilizzando il modello Langmuir e FDM, l’ottimizzazione del processo ha incluso la messa a punto delle finestre di raccolta, delle durate di eluizione e dei tempi di caricamento per massimizzare la resa e la produttività. L’ottimo computazionale è stato verificato sperimentalmente, ottenendo una notevole precisione di produttività del 93%. In tal modo, confermando la precisione del modello e convalidando la strategia proposta efficiente in termini di risorse.