Le « jumeau numérique » réduit les délais et les coûts de production chez J&J

Préparer des produits pharmaceutiques

Comment est créé un médicament chez J&J Innovative Medicine ? Le laboratoire élabore un plan chimique par étapes (un processus) pour préparer un nouveau principe actif. Une fois la phase de laboratoire terminée, la fabrication passe à la vitesse supérieure en plusieurs phases, de un litre à des dizaines de milliers de litres dans le cas d'une production commerciale. Le développement a lieu dans deux installations belges, la mini-usine de développement chimique (le CDMP, à Beerse) et l'usine pilote de développement chimique (CDPP, à Geel).

« Fabriquer des produits chimiques, c'est un peu comme cuisiner », explique Niels. « Vous mélangez des ingrédients dans un réacteur et vous obtenez quelque chose de nouveau. Lors de la « cuisson », vous devez vous concentrer sur des paramètres importants tels que la température, la pression et la vitesse de mélange afin de toujours obtenir les bons produits en toute sécurité et avec une qualité fiable. Nous surveillons ces paramètres constamment. »

« Si nous optimisons le commutateur de solvant, nous gagner du temps et gagner en efficacité à tous les niveaux. Toutes les entreprises veulent produire le plus efficacement possible, mais les choses deviennent encore plus urgentes lorsqu'il s'agit de vies humaines. Un interrupteur optimisé nous permet également de consommer moins de produits chimiques. Ce qui est important car chez J&J, nous essayons de minimiser l'impact environnemental de nos processus de production. C'est pourquoi nous avons mis en place un projet pilote avec le Digital Process Twin de Siemens, visant à optimiser un commutateur de solvant dans un premier temps, dans le but ultime d'optimiser tous les commutateurs. »

« Après avoir créé le modèle, nous l'avons calibré à l'aide de données dérivées du processus, c'est-à-dire issues de la vie réelle. À partir de ces données, nous avons créé une application numérique avec le Plateforme d'applications numériques GProms, ou GDAP. Cette procédure se déroule en boucle ouverte. Nous avons ensuite examiné la manière dont le modèle réagissait aux données provenant du système de contrôle du processus, ce qui nous a permis d'aboutir à une boucle fermée. Le GDAp fait constamment des prédictions en cours de route, qu'elle compare ensuite aux données réelles. Cela nous permet d'améliorer constamment le processus. »

« Je le compare souvent à un GPS », ajoute Niels. « Nous voyageons d'une certaine composition de solvants, lieu A, à une autre composition, point B. Le modèle nous guidera de A à B en temps réel par l'itinéraire le plus court, le plus rapide ou le plus écologique. Il propose l'itinéraire idéal et continue de l'optimiser en fonction des conditions réelles. Y a-t-il un détour ou un accident ? »

« De plus, cela présente également des avantages considérables lors de la mise en place de nouveaux procédés. Le simple fait d'optimiser les changements de solvants existants est déjà très rentable en soi. Et si nous pouvons appliquer ce modèle avant d'étendre la production — c'est-à-dire en laboratoire —, nous économisons encore plus de temps et de ressources.Après tout, faire des expériences en laboratoire coûte beaucoup moins cher que des expériences à l'échelle industrielle. Nous étudions maintenant comment utiliser les données de laboratoire pour créer des modèles que nous pourrons appliquer ultérieurement à une production à plus grande échelle. »

Large gamme de modèles

« Tout récemment, nous avons également utilisé le jumeau numérique de processus pour le développement d’un nouveau procédé impliquant la lyophilisation. Il s’agissait d’une réaction qui entraînait une élévation de la température à l’intérieur du réacteur, mais celle-ci devait néanmoins être maintenue en dessous d’une certaine valeur, sous peine de voir la réaction échouer. Le procédé fonctionnait en laboratoire, mais son passage à l’échelle industrielle entraînait une modification des paramètres. Dans ce cas, nous aurions normalement mis en place une configuration de test et procédé à des essais jusqu’à obtenir les bons paramètres. Mais cette fois-ci, nous avons pu exécuter la configuration virtuellement et le modèle a montré que le procédé ne fonctionnerait tout simplement pas à cette échelle. Cela nous a permis d'économiser beaucoup de temps et de ressources.»