Iterative Learning Control for Preparative Chromatography

Abstract

There is a desire for a fully automated downstream process in pharmaceutical protein production. One part of the downstreaming process is preparative chromatography. A good separation between the product and other proteins, as well as good productivity, are desired. Due to the batch nature of chromatographic separation, an iterative learning controller (ILC) could be a suitable choice for achieving these goals. ILC based on time-varying perturbation models have been successfully applied to control batch reactors in the past. The purpose of this master thesis was to test the application of time-varying perturbation model-based ILC for automation of preparative chromatography.

The application of an ILC was performed using simulations of an ion-exchange chromatographic purification process. Since protein purification by chromatography is commonly performed with gradient elution, the slope of the gradient was chosen as the input parameter for the controller. The slope was controlled via the gradient time, i.e. the time it takes for the elution buffer to go from its initial to its final concentration. First, the resolution between two peaks was used as the output parameter of the controller. The controller was able to successfully reach the desired resolution, however using only the gradient time resulted in a non-linear process trajectory, which resulted in difficulties in process control. Secondly, an objective function was constructed using the resolution and the productivity of the process. The objective function had a local extrema, which was considered the process optimum and thus the derivative of the objective function was used as output parameter. This configuration showed promise, although the estimation of the derivative during live runs was a limiting factor.

ILC shows promise for use in preparative chromatography. Multiple-input-multiple-output configurations should be considered for future applications, as such configurations could circumvent the problems caused by the non-linear process trajectory. Alternatively, a different objective function could possibly be applied. A natural next step is to apply the ILC to a real process, thus coming closer to full automation of preparative chromatography.

Abstract (Swedish)

Det fins en önskan om fullständigt automatiserade nedströmsprocesser i framställandet av proteiner för läkemedelsbruk. En del av nedströmsprocessen är preparativ kromatografi. En god separation mellan produkt och andra proteiner, samt god produktivitet, är av intresse. På grund att kromatografisk separation ofta körs satsvis så skulle en iterative learning controller (ILC) vara ett bra val för att åstadkomma dessa mål. ILC baserad på tidsvarierande perturbationsmodeller har tidigare tillämpats för att reglera satsvisa reaktorer med goda resultat. Syftet med detta projekt var att testa tillämpningen av en sådan ILC för att automatisera preparativ kromatografi.

Tillämpningen av en ILC utfördes genom simuleringar av en kromatografisk reningsprocess i en jonbytarkolonn. Eftersom proteinupprening med kromatografi ofta utförs med gradienteluering så valdes lutningen av gradienten som in-parameter för styrning. Lutningen kontrollerades via gradienttiden, dvs tiden det tar för elueringsbufferten att gå från sin start- till slutkoncentration. Först användes upplösningen mellan två toppar i kromatogrammet som ut-parameter. Regulatorn lyckades nå den önskade upplösningen, men att enbart använda gradientlutningen som in-parameter visade sig leda till en icke-linjär processbana, vilket ledde till svårigheter i regleringen. Därefter konstruerades en målfunktion med hjälp av upplösningen och processens produktivitet. Målfunktionen hade en lokal extrempunkt som ansågs vara processoptimat och därav valdes målfunktionens derivata som ut-parameter. Denna konfiguration var lovande, men begränsades av derivataberäkningen under körningens gång.

ILC uppvisar potential för användning i preparativ kromatografi. Konfigurationer med flera in- och ut-parametrar bör övervägas för framtida tillämpning, då sådana konfigurationer skulle kunna kringgå problemen som orsakades av den icke-linjära processbanan. Alternativt så kan en annan objektivfunktion konstrueras. Ett naturligt nästa steg är att tillämpa ILC på en verklig process, och således komma närmare fullständig automatisering av preparativ kromatografi.

Popular Abstract

Proteins are molecules that can possess many different qualities, some of which are beneficial to humans. An example of such a protein is insulin, which is used to treat diabetes. Proteins for use in pharmaceuticals are produced in living organisms along with other, less beneficial or even harmful proteins, and thus need to be properly purified before use. One part of the purification process is called preparative chromatography. Ion-exchange chromatography is commonly used for protein purification, and involves the use of a column to which the different proteins stick, while other molecules flow through. Salt is then flushed through the column to remove the stuck proteins. The strength with which the proteins stick to the column varies from protein to protein, so higher concentrations of salt are needed for proteins that are more strongly stuck. Thus, it is possible to separate one protein from the other by gradually increasing the salt concentration while the column is being flushed. Choosing how this salt concentration should increase requires many experiments and work hours.

In this master thesis, a method for making the separation of proteins as good as possible automatically is tested. The method used is called iterative learning control (ILC), which means that information from previous chromatography runs is used to predict how the salt concentration needs to change to give the desired separation. Several simulations of a chromatography process were run to develop the controller. In the end, the ILC was able to control the processes and thus shows promise for the automation of preparative chromatography processes, although more work needs to be performed before it can function optimally. In the future, an ILC for preparative chromatography could be combined with the other purification steps to create a fully automated protein purification process.

Popular Abstract (Swedish)

Proteiner är molekyler som kan ha många olika egenskaper, varav vissa är förmånliga för människor. Ett exempel på ett sådant protein är insulin, som används för att behandla diabetes. Proteiner för läkemedelsbruk produceras ofta i levande organismer tillsammans med andra, mindre gynnsamma eller till och med skadliga proteiner, och behöver således renas ordentligt före användning. En del av reningsprocessen kallas för preparativ kromatografi. Jonbytarkromatografi är vanligt för upprening av proteiner, och involverar användandet av en kolonn som de olika proteinerna fastnar på, medan andra molekyler flödar igenom. Salt spolas sedan genom kolonnen för att ta bort proteinerna som fastnat. Proteiner binder olika hårt till kolonnen, vilket innebär att högre koncentrationer av salt krävs för proteinerna som sitter fast hårdare. Därför går det att separera ett protein från ett annat genom att gradvis öka koncentrationen salt medan kolonnen spolas. Att välja hur denna ökning av koncentration ska gå till kräver många experiment och arbetstimmar.

I detta examensarbete har en metod för att göra separation av proteiner så bra som möjligt automatiskt testats. Metoden som använts kallas för reglering med iterativ inlärning (iterative learning controller, eller ILC), som innebär att information från tidigare kromatografikörningar används för att förutsäga hur saltkoncentrationen behöver ändras för att ge den önskade separationen. Flera simuleringar av en kromatografiprocess kördes för att utveckla regulatorn. I slutändan så var ILC:n kapabel till att reglera processerna och således visar metoden potential för automatisering av preparativ kromatografi, men mer arbete behöver utföras innan det fungerar optimalt. I framtiden kan ILC för preparativ kromatografi kombineras med andra reningssteg för att skapa en fullständigt automatisk proteinuppreningsprocess.

• author: Espinoza, Daniel
• supervisor: Niklas Andersson
• organization: Chemical Engineering (M.Sc.Eng.)
• course: KETM05 20201
• year: 2020
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering
• keywords: Chemical Engineering, Kemiteknik, Chromatography, Automatic Process Control, Iterative Learning Control, ILC, Simulation, Protein Purification, Python, Ion-Exchange, Automation, Batch Processing, Downstream Processing
• language: English
• id: 9007394
• date added to LUP: 2020-05-14 11:08:37
• date last changed: 2020-05-14 11:08:37