Digitalisierung

Modellierung biomolekularer Systeme bietet die Möglichkeit, Verhalten von Proteinen auf Molekül- und Prozessebene besser zu verstehen. Wir beschäftigen uns mit zwei unterschiedlichen Ansätzen. Mit der Moleküldynamiksimulation (MD Simulation) können einzelne Proteine in ihrer atomaren Umgebung simuliert und deren Verhalten während diverser Aufreinigungsschritte vorhergesagt werden. Mit der mechanistischen Modellierung chromatographischer Systeme wird der Aufreinigungsprozess makroskopisch betrachtet. Transport, Bindung und Diffusion werden mit Differentialgleichungen beschrieben. Hiermit wird eine optimale Prozessauslegung ermöglicht.

 

Process analytical technology (PAT)

In der Produktion von therapeutischen Proteinen ist eine effiziente Prozessüberwachung für einen ökonomischen Prozess entscheidend. Gegenwärtig beschränkt sich die online Prozessüberwachung in der pharmazeutischen Industrie auf univariante Prozessparameter wie pH, Leitfähigkeit oder Absorption des Effluents. Erst in offline Analysen werden zentrale Prozessattribute (z.B. Zielproteingehalt, Konzentration an koeluierenden Kontaminaten, etc.) bestimmt. Diese Vorgehensweise ist nicht nur zeitaufwendig, sondern kann auch dazu führen, dass Inkonsistenzen in der Produktion erst spät erkannt werden und unter Umständen gesamte Batches verworfen werden müssen. In den letzten Jahren hat das Interesse der pharmazeutischen Industrie an der Erfassung zentraler Prozessparameter in Echtzeit zugenommen. Besonders die QbD und PAT Initiative der amerikanischen Gesundheitsbehörde FDA haben starke Anreize zur Entwicklung solcher Technologien gesetzt.

Die Gruppe Molekulare Aufarbeitung von Bioprodukten befasst sich mit dem Einsatz chemometrischer Methoden für die Überwachung von chromatographischen Prozessen zur Proteinaufreinigung. Wir forschen auf folgenden Gebieten:

  • Prozessüberwachung mittels Spektroskopie in Kombination mit chemometrischen Methoden
  • Echtzeitprozesskontrolle basierend auf den gewonnen Informationen
  • Rückwirkende Fehleranalyse
Literatur (zum Ausklappen klicken)
2020
Rolinger, L.; Rüdt, M.; Hubbuch, J. (2020). A critical review of recent trends, and a future perspective of optical spectroscopy as PAT in biopharmaceutical downstream processing. Analytical and bioanalytical chemistry, 412 (9), 2047–2064. doi:10.1007/s00216-020-02407-z
Rolinger, L.; Rüdt, M.; Diehm, J.; Chow-Hubbertz, J.; Heitmann, M.; Schleper, S.; Hubbuch, J. (2020). Multi-attribute PAT for UF/DF of Proteins—Monitoring Concentration, particle sizes, and Buffer Exchange. Analytical and bioanalytical chemistry, 412 (9), 2123–2136. doi:10.1007/s00216-019-02318-8
2019
Rüdt, M.; Vormittag, P.; Hillebrandt, N.; Hubbuch, J. (2019). Process monitoring of virus-like particle reassembly by diafiltration with UV/Vis spectroscopy and light scattering. Biotechnology & bioengineering, 116 (6), 1366–1379. doi:10.1002/bit.26935
2018
Andris, S.; Rüdt, M.; Rogalla, J.; Wendeler, M.; Hubbuch, J. (2018). Monitoring of antibody-drug conjugation reactions with UV/Vis spectroscopy. Journal of biotechnology, 288, 15–22. doi:10.1016/j.jbiotec.2018.10.003
Großhans, S.; Rüdt, M.; Sanden, A.; Brestrich, N.; Morgenstern, J.; Heissler, S.; Hubbuch, J. (2018). In-line Fourier-transform infrared spectroscopy as a versatile process analytical technology for preparative protein chromatography. Journal of chromatography / A, 1547, 37–44. doi:10.1016/j.chroma.2018.03.005
2017
Hansen, S.; Brestrich, N.; Staby, A.; Hubbuch, J. (2017). Mid-UV Protein Absorption Spectra and Partial Least Squares Regression as Screening and PAT Tool. Preparative Chromatography for Separation of Proteins. Ed.: Arne Staby, 501–536, John Wiley & Sons, Hoboken (NJ). doi:10.1002/9781119031116.ch17
Rüdt, M.; Brestrich, N.; Rolinger, L.; Hubbuch, J. (2017). Real-time monitoring and control of the load phase of a protein A capture step. Biotechnology & bioengineering, 114 (2), 368–373. doi:10.1002/bit.26078
2016
Baumann, P.; Huuk, T.; Hahn, T.; Osberghaus, A.; Hubbuch, J. (2016). Deconvolution of high-throughput multicomponent isotherms using multivariate data analysis of protein spectra. Engineering in life sciences, 16 (2), 194–201. doi:10.1002/elsc.201400243
2015
Brestrich, N.; Sanden, A.; Kraft, A.; McCann, K.; Bertolini, J.; Hubbuch, J. (2015). Advances in inline quantification of co-eluting proteins in chromatography: Process-data-based model calibration and application towards real-life separation issues. Biotechnology and Bioengineering / Symposium, 112 (7), 1406–1416. doi:10.1002/bit.25546
Baumann, P.; Bluthardt, N.; Renner, S.; Burghardt, H.; Osberghaus, A.; Hubbuch, J. (2015). Integrated development of up- and downstream processes supported by the Cherry-Tag™ for real-time tracking of stability and solubility of proteins. Journal of biotechnology, 200, 27–37. doi:10.1016/j.jbiotec.2015.02.024
2014
Brestrich, N.; Briskot, T.; Osberghaus, A.; Hubbuch, J. (2014). A tool for selective inline quantification of co-eluting proteins in chromatography using spectral analysis and partial least squares regression. Biotechnology and Bioengineering, 111 (7), 1365–373. doi:10.1002/bit.25194
2013
Hansen, S. K.; Jamali, B.; Hubbuch, J. (2013). Selective high throughput protein quantification based on UV absorption spectra. Biotechnology & bioengineering, 110 (2), 448–460. doi:10.1002/bit.24712
Dismer, F.; Hansen, S.; Oelmeier, S. A.; Hubbuch, J. (2013). Accurate retention time determination of co-eluting proteins in analytical chromatography by means of spectral data. Biotechnology & bioengineering, 110 (3), 683–693. doi:10.1002/bit.24738
2012
Hansen, S. K.; Maiser, B.; Hubbuch, J. (2012). Rapid quantification of protein-polyethylene glycol conjugates by multivariate evaluation of chromatographic data. Journal of chromatography / A, 1257, 41–47. doi:10.1016/j.chroma.2012.07.089
2011
Hansen, S. K.; Skibsted, E.; Staby, A.; Hubbuch, J. (2011). A label-free methodology for selective protein quantification by means of absorption measurements. Biotechnology and Bioengineering, 108 (11), 2661–2669. doi:10.1002/bit.23229

Data science and data visualization

Der Bereich Datenwissenschaft und Visualisierung arbeitet an fortgeschrittenen Ansätzen zur Etablierung und Verbindung von Datenverarbeitungsschritten wie Extraktion, Verarbeitung, Visualisierung und Anwendung. Im MAB streben wir mit Hilfe dieser datenwissenschaftlichen Strategien ein breiteres Verständnis der Bioverarbeitung an. Dazu gehören automatisierte Datenextraktionsprotokolle für hauseigene Laborgeräte und die anschließende Datenbereinigung und -verarbeitung, die für die weitere Verwendung erforderlich sind. Es werden Algorithmen etabliert, um die verarbeiteten Daten mittels (multidimensionaler) Datenvisualisierung zu präsentieren, um Datenmuster in großen und sonst unübersichtlichen Datensätzen darzustellen. Die Datenanwendung wird durch die Entwicklung von Algorithmen für maschinelles Lernen und tiefes Lernen für Klassifizierungs- und Regressionsprobleme realisiert, die zur Erstellung von prädiktiven und präskriptiven Modellen verwendet werden können.

Literatur (zum Ausklappen klicken)
2019

Mechanistische Chromatographiemodellierung

Präparative Chromatographie ist eine der wichtigsten Technologien für die Aufreinigung von Biologics, wie z.B. therapeutischen Proteinen. Die modellbasierte Chromatographie-Prozessentwicklung ist die logische Reaktion auf den Quality-by-Design Ansatz, vorgeschlagen von amtlichen Behörden wie FDA, EMA usw. Ein mechanistisches Modell, bestehend aus Differentialgleichungen unterschiedlicher Komplexität, beschreibt die Stoffübertragung und Adsorptions-/Desorptionsreaktionen innerhalb der Chromatographiesäule. In den letzten Jahren wurde die intern entwickelte Simulationssoftware ChromX für die mechanistische Modellierung erfolgreich eingesetzt, um VLPs, monoklonale Antikörper und andere Proteine aufzureinigen bzw. die Aufreinigung zu optimieren. Durch die modellbasierte Prozessentwicklung können bis zu 95% der Laborversuche für Prozessentwicklung, Robustheitsstudien und Worst-Case-Analysen durch computergestützte Simulationen ersetzt werden. Die dabei gewonnenen mechanistischen Prozessverständnisse sind vom großen akademischen Interesse.
 

ChromX

ChromX ist eine Simulationssoftware für Proteinchromatographie. Sie wurde ursprünglich am MAB entwickelt, wird inzwischen aber durch eine unabhängige Ausgründung weiterentwickelt. Mehr Informationen gibt es unter GoSilico GmbH.

Literatur (zum Ausklappen klicken)
2020
Saleh, D.; Wang, G.; Müller, B.; Rischawy, F.; Kluters, S.; Studts, J.; Hubbuch, J. (2020). Straightforward method for calibration of mechanistic cation exchange chromatography models for industrial applications. Biotechnology progress, Art.Nr. e2984. doi:10.1002/btpr.2984
Briskot, T.; Hahn, T.; Huuk, T.; Hubbuch, J. (2020). Adsorption of colloidal proteins in ion-exchange chromatography under consideration of charge regulation. Journal of chromatography / A, 1611, Art.Nr. 460608. doi:10.1016/j.chroma.2019.460608
2019
Briskot, T.; Stückler, F.; Wittkopp, F.; Williams, C.; Yang, J.; Konrad, S.; Doninger, K.; Griesbach, J.; Bennecke, M.; Hepbildikler, S.; Hubbuch, J. (2019). Prediction uncertainty assessment of chromatography models using Bayesian inference. Journal of chromatography / A, 1587, 101–110. doi:10.1016/j.chroma.2018.11.076
2017
Morgenstern, J.; Wang, G.; Baumann, P.; Hubbuch, J. J. (2017). Model-Based Investigation on the Mass Transfer and Adsorption Mechanisms of Mono-Pegylated Lysozyme in Ion-Exchange Chromatography. Biotechnology journal, 12 (9), Art.Nr.: 1700255. doi:10.1002/biot.201700255
Wang, G.; Briskot, T.; Hahn, T.; Baumann, P.; Hubbuch, J. (2017). Root cause investigation of deviations in protein chromatography based on mechanistic models and artificial neural networks. Journal of chromatography / A, 1515, 146–153. doi:10.1016/j.chroma.2017.07.089
Huuk, T. C.; Hahn, T.; Doninger, K.; Griesbach, J.; Hepbildikler, S.; Hubbuch, J. (2017). Modeling of complex antibody elution behavior under high protein load densities in ion exchange chromatography using an asymmetric activity coefficient. Biotechnology journal, 12 (3), 1600336/1–8. doi:10.1002/biot.201600336
Wang, G.; Briskot, T.; Hahn, T.; Baumann, P.; Hubbuch, J. (2017). Estimation of adsorption isotherm and mass transfer parameters in protein chromatography using artificial neural networks. Journal of chromatography / A, 1487, 211–217. doi:10.1016/j.chroma.2017.01.068
2016
Effio, C. L.; Hahn, T.; Seiler, J.; Oelmeier, S. A.; Asen, I.; Silberer, C.; Villain, L.; Hubbuch, J. (2016). Modeling and simulation of anion-exchange membrane chromatography for purification of Sf9 insect cell-derived virus-like particles. Journal of chromatography, 1429, 142–154. doi:10.1016/j.chroma.2015.12.006
Winderl, J.; Hahn, T.; Hubbuch, J. (2016). A mechanistic model of ion-exchange chromatography on polymer fiber stationary phases. Journal of chromatography / A, 1475, 18–30. doi:10.1016/j.chroma.2016.10.057
Hahn, T.; Huuk, T.; Osberghaus, A.; Doninger, K.; Nath, S.; Hepbildikler, S.; Heuveline, V.; Hubbuch, J. (2016). Calibration-free inverse modeling of ion-exchange chromatography in industrial antibody purification. Engineering in life sciences, 16 (2), 107–113. doi:10.1002/elsc.201400248
Hahn, T.; Baumann, P.; Huuk, T.; Heuveline, V.; Hubbuch, J. (2016). UV absorption-based inverse modeling of protein chromatography. Engineering in life sciences, 16 (2), 99–106. doi:10.1002/elsc.201400247
Wang, G.; Hahn, T.; Hubbuch, J. (2016). Water on hydrophobic surfaces: Mechanistic modeling of hydrophobic interaction chromatography. Journal of chromatography / A, 1465, 71–78. doi:10.1016/j.chroma.2016.07.085
2015
Hahn, T.; Huuk, T.; Heuveline, V.; Hubbuch, J. (2015). Simulating and Optimizing Preparative Protein Chromatography with ChromX. Journal of chemical education, 92 (9), 1497–1502. doi:10.1021/ed500854a
Baumann, P.; Hahn, T.; Hubbuch, J. (2015). High-throughput micro-scale cultivations and chromatography modeling: Powerful tools for integrated process development. Biotechnology and Bioengineering / Symposium, 112 (10), 2123–2133. doi:10.1002/bit.25630
2014
Hahn, T.; Sommer, A.; Osberghaus, A.; Heuveline, V.; Hubbuch, J. (2014). Adjoint-based estimation and optimization for column liquid chromatography models. Computers & chemical engineering, 64, 41–54. doi:10.1016/j.compchemeng.2014.01.013
Huuk, T.; Hahn, T.; Osberghaus, A.; Hubbuch, J. (2014). Model-based integrated optimization and evaluation of a multi-step ion exchange chromatography. Separation and Purification Technology, 136, 207–222. doi:10.1016/j.seppur.2014.09.012
2012
Osberghaus, A.; Hepbildikler, S.; Nath, S.; Haindl, M.; Lieres, E. von; Hubbuch, J. (2012). Determination of parameters for the steric mass action model - A comparison between experimental and modeling approaches. Journal of Chromatography A, 1233, 54–64. doi:10.1016/j.chroma.2012.02.004
Osberghaus, A.; Hepbildikler, S.; Nath, S.; Haindl, M.; Lieres, E. von; Hubbuch, J. (2012). Optimizing a chromatographic three component separation: A comparison of mechanistic and empiric modeling approaches. Journal of Chromatography A, 1237, 86–95. doi:10.1016/j.chroma.2012.03.029
2010
Dismer, F.; Hubbuch, J. (2010). 3D structure-based protein retention prediction for ion-exchange chromatography. Journal of Chromatography A, 1217 (8), 1343–1354. doi:10.1016/j.chroma.2009.12.061

3D-Strukturbestimmung

Durch die Entwicklung leistungsstarker Computer mit Parallelarchitektur ist es möglich geworden, die Dynamik molekularer Systeme zu simulieren. Die Moleküldynamiksimulation (MD) von Proteinen bietet vielfältige Möglichkeiten: von der Reduktion des experimentellen Aufwands, über den Zugang zu experimentell schwer zugänglichen Größen bis hin zu einem tieferen Verständnis für das Verhalten komplexer Systeme. Der am Institut entwickelte, automatisierte Arbeitsablauf von MD-Simulationen umfasst einige Schritte, bei denen das Molekül in Ziel-Prozessbedingungen (z.B. pH und Ionenstärke) gebracht und datenabhängig simuliert wird. Diese 3D-Strukturen sind auch Ausgangspunkt für die Anwendung von quantitativer Struktur-Wirkungsbeziehung (QSAR). Das Ziel von QSAR ist die Vorhersage von chemischen sowie biologischen Eigenschaften und Aktivitäten noch nicht synthetisierter Substanzen. Dieser Theorie liegt die Annahme zugrunde, dass Eigenschaften und Aktivitäten komplett durch die molekulare Struktur eines Proteins bestimmt werden. Diese wird durch verschiedene Deskriptoren, wie beispielsweise Form, Größe, Elektrostatik und Hydrophobizität beschrieben. Diese Daten bilden den Ausgangspunkt der multivariaten Datenanalyse, welche molekulare Eigenschaften bekannter Strukturen auf Basis geeigneter Deskriptoren und deren experimentelles Verhalten in Zusammenhang bringt und dabei prädiktive Modelle erstellt, mit denen die Eigenschaften und Aktivitäten für neue Moleküle vorhergesagt werden können.

Literatur (zum Ausklappen klicken)
2019
2017
Baumann, P.; Schermeyer, M.-T.; Burghardt, H.; Dürr, C.; Gärtner, J.; Hubbuch, J. (2017). Prediction and characterization of the stability enhancing effect of the Cherry-Tag™ in highly concentrated protein solutions by complex rheological measurements and MD simulations. International journal of pharmaceutics, 531 (1), 360–371. doi:10.1016/j.ijpharm.2017.08.068
Wang, G.; Briskot, T.; Hahn, T.; Baumann, P.; Hubbuch, J. (2017). Root cause investigation of deviations in protein chromatography based on mechanistic models and artificial neural networks. Journal of chromatography / A, 1515, 146–153. doi:10.1016/j.chroma.2017.07.089
Hämmerling, F.; Pieler, M. M.; Hennig, R.; Serve, A.; Rapp, E.; Wolff, M. W.; Reichl, U.; Hubbuch, J. (2017). Influence of the production system on the surface properties of influenza A virus particles. Engineering in life sciences, 17 (10), 1071–1077. doi:10.1002/elsc.201700058
Bauer, K. C.; Hämmerling, F.; Kittelmann, J.; Dürr, C.; Görlich, F.; Hubbuch, J. (2017). Influence of structure properties on protein–protein interactions—QSAR modeling of changes in diffusion coefficients. Biotechnology & bioengineering, 114 (4), 821–831. doi:10.1002/bit.26210
Hämmerling, F.; Ladd Effio, C.; Andris, S.; Kittelmann, J.; Hubbuch, J. (2017). Investigation and prediction of protein precipitation by polyethylene glycol using quantitative structure–activity relationship models. Journal of biotechnology, 241, 87–97. doi:10.1016/j.jbiotec.2016.11.014
2015
Schaller, A.; Connors, N. K.; Oelmeier, S. A.; Hubbuch, J.; Middelberg, A. P. J. (2015). Predicting recombinant protein expression experiments using molecular dynamics simulation. Chemical engineering science, 121, 340–350. doi:10.1016/j.ces.2014.09.044
Lang, K. M. H.; Kittelinann, J.; Duerr, C.; Osberghaus, A.; Hubbuch, J. (2015). A comprehensive molecular dynamics approach to protein retention modeling in ion exchange chromatography. Journal of chromatography / A, 1381, 184–193. doi:10.1016/j.chroma.2015.01.018
Lang, K. M. H.; Kittelmann, J.; Pilgram, F.; Osberghaus, A.; Hubbuch, J. (2015). Custom-tailored adsorbers: A molecular dynamics study on optimal design of ion exchange chromatography material. Journal of chromatography / A, 1413, 60–67. doi:10.1016/j.chroma.2015.08.021
Schaller, A.; Connors, N. K.; Dwyer, M. D.; Oelmeier, S. A.; Hubbuch, J.; Middelberg, A. P. J. (2015). Computational study of elements of stability of a four-helix bundle protein biosurfactant. Journal of computer aided molecular design, 29 (1), 47–58. doi:10.1007/s10822-014-9803-6
2014
Amrhein, S.; Oelmeier, S. A.; Dismer, F.; Hubbuch, J. (2014). Molecular dynamics simulations approach for the characterization of peptides with respect to hydrophobicity. The journal of physical chemistry <Washington, DC> / B, 118 (7), 1707–1714. doi:10.1021/jp407390f
2013
Dismer, F.; Alexander Oelmeier, S.; Hubbuch, J. (2013). Molecular dynamics simulations of aqueous two-phase systems: Understanding phase formation and protein partitioning. Chemical engineering science, 96, 142–151. doi:10.1016/j.ces.2013.03.020
2012
Oelmeier, S. A.; Dismer, F.; Hubbuch, J. (2012). Molecular dynamics simulations on aqueous two-phase systems - Single PEG-molecules in solution. BMC Biophysics, 5 (1), 14. doi:10.1186/2046-1682-5-14
2010
Dismer, F.; Hubbuch, J. (2010). 3D structure-based protein retention prediction for ion-exchange chromatography. Journal of Chromatography A, 1217 (8), 1343–1354. doi:10.1016/j.chroma.2009.12.061