Methode zur Auslegung von integrierten Downstream-Processing-Verfahren am Beispiel der hydrophoben Interaktions- und Ionenaustauschchromatographie

Die hydrophobe Interaktions- und die Ionenaustauschchromatographie stellen essentielle Aufreinigungsschritte bei der Produktion von pharmazeutischen Produkten, wie z. B. Antikörpern oder Proteinen, dar. Der Bedarf nach diesen hochwertigen Wirkstoffen wächst stark. Die Kombination von experimenteller Modellparameterbestimmung im Labormaßstab und detaillierter physiko-chemischer Modellierung stellt einen Ansatz für eine zukünftige konzeptionelle Prozessentwicklung dar. Weiter kann die Prozesssimulation einen wichtigen Anteil zur Untersuchung der Prozessrobustheit bzw. der kritischen Parameter beitragen. In dieser Arbeit werden die hydrophobe Interaktions- sowie die Ionenaustauschchromatographie detailliert physikochemisch modelliert und kombiniert. Ansätze zur Modellparameterbestimmung werden detailliert beschrieben und bewertet. Die physikochemische Modellierung erfolgt auf Basis eines axialen Dispersionsmodells unter Berücksichtigung der Porendiffusion. Die Versuche werden sowohl mit einem realen Fermentationsgemisch als auch mit einem Antikörper als Reinstoff durchgeführt. Die Durchführung der Versuche wird dabei in Relation zum Substanz- und Zeitaufwand minimiert und optimiert. Die für die Simulation benötigten Parameter werden anhand von experimentellen Daten modellbasiert ermittelt. Die Übertragbarkeit der Daten wird durch Validierungsversuche mit präparativen Säulengeometrien gezeigt. Eine Vorhersage der Aufreinigung eines Fermentationsgemisches ist mit den ermittelten Modellparametern durchführbar. Für die Zielkomponente wird durch die Kombination von IEC und HIC eine Reinheit von nahezu 100 % erreicht. Die simulativen Ergebnisse werden durch experimentelle Daten validiert. Eine Gesamtprozessoptimierung ist nur durch eine Kombination der beteiligten Schritte effizient durchführbar. Die Summe der Einzeloptima entspricht nicht immer dem Gesamtoptimum. So kann das Optimum eines Schrittes zu einem deutlichen schlechterem Ergebnis im zweiten Schritt und somit gegebenenfalls auch gesamten Trennergebnis führen. Dieser Modellierungsansatz kann nicht nur für die Entwicklung eingesetzt werden, sondern auch in der Produktion z. B. zur Vorhersage der Trennung bei veränderten Betriebsparametern.