Learning-before-doing in the development of new process technology

Gary P. Pisano
Technology and Operations Management, Harvard Business School, Morgan Hall T97, Soldiers Field, Boston, MA 02163, USA

Abstract

실천 학습의 개념은 제조 개선과 기술 혁신에 관한 문헌에서 두드러지게 나타났다. 이 문헌의 대부분은 실제에서 일어나는 '행동' 또는 '사용'에 초점을 맞추고 있다.

상업적 생산 또는 사용 환경 그러나 문제 해결은 컴퓨터 시뮬레이션, 실험실 실험, 프로토타입 테스트, 파일럿 생산 실행 및 기타 실험을 통해 새로운 제품 또는 프로세스 설계가 공장에 도입되기 훨씬 전에 발생할 수 있다. 이 논문에서 문제 해결에 대한 이러한 접근 방식을 '학습 전 학습'이라고 한다. R&D에 프로토타이핑과 기술적 문제 해결에 대한 광범위한 문헌이 있지만, 학습에 대한 서로 다른 접근 방식이 가장 효과적인 조건의 유형을 결정하려는 시도는 거의 없었다. 본 논문은 의약품 및 생명공학에서 23개의 프로세스 개발 프로젝트에 대한 상세한 데이터를 통해 다양한 학습 전략이 개발 성능에 미치는 영향을 탐구한다. 경험적 분석은 특히 공장으로의 기술 이전 시기가 개발 비용에 어떻게 영향을 미치는지에 초점을 맞춘다. 분석 결과는 기초 이론적이고 실제적인 지식이 상대적으로 얇은 생명공학 같은 환경에서 효율적인 개발을 위해 학습에 의한 학습이 필수적이라는 것을 보여준다. 대조적으로, 화학적 합성 같은 환경에서는 학습별 필요성이 훨씬 낮다.

여기서 기초 이론적이고 실용적인 지식은 미래의 생산 경험을 효과적으로 모델링하는 실험실 실험의 설계를 가능하게 할 만큼 충분히 깊다. 본 논문은 프로세스 개발 및 학습 관리에 이러한 결과가 미치는 영향에 대한 논의로 마무리한다.

 

1. Introduction

실천 학습의 개념은 제조 개선과 기술 혁신에 관한 문헌에서 두드러지게 나타났다(예: Arrow, 1962; Rosenberg, 1982, von Hippel and Tyre, 1995). 누적 생산 경험으로 개선하려는 제조 실적의 경향을 기록한 많은 증거들이 있다. 마찬가지로, 학습별 학습은 일반적으로 기술적 문제 해결이 광범위한 시행착오를 수반한다는 것을 보여주는 R&D 프로세스의 세부 연구에서도 확인되었다. 3 서로 다른 맥락에 초점을 맞추었지만, 제조 개선 및 R&D 프로세스에 대한 연구는 학습이 어떤 형태의 '실행'을 필요로 한다는 설득력 있는 증거를 제공한다.g.' 애들러와 클라크(1991)와 폰 히펠과 타이어(1995)의 최근 연구는 학습 별 실천을 뒷받침하는 중요한 조직 메커니즘의 일부를 밝혀냈다.

 

학습별 수행이 어떻게, 왜 발생하는지에 대한 그림이 나타나기 시작하지만, 학습과 관련된 다양한 유형의 경험 및 의 의미에 대한 이해는 훨씬 적다.

문제 해결 전략에 대한 이러한 차이점 기존 문헌은 실제 상업적 생산이나 사용 환경에서 이루어지는 '실행' 또는 '사용'에 초점을 맞추는 경향이 있다. 따라서, 예를 들어, 학습 곡선에 대한 연구는 일반적으로 전면적이고 상업적인 제조 환경에 새로운 제품 또는 공정을 도입하는 출발점으로 삼는다. 그러나 'doing'은 컴퓨터 시뮬레이션, 실험실 분석, 프로토타입 테스트, 파일럿 생산 및 새로운 프로세스가 공장에 도입되기 전에 발생하는 다른 실험을 포함하여 많은 다른 형태를 취할 수 있다. 본 논문에서 '학습 전 학습'이라는 용어는 이러한 문제 해결 전략을 프로세스가 상업적인 생산 환경으로 이전된 후에 이루어지는 보다 일반적인 학습별 전략과 구별하기 위해 사용된다. R&D에서 프로토타이핑과 기술적 문제 해결에 관한 광범위한 문헌이 있지만, 실제 생산 환경에서 학습-수행과 관련된 방법과 이러한 '학습-전 학습' 방법을 비교하려는 시도는 거의 없었다. 4 (공장에서) 학습-수행(Learn-by-doing)이 항상 필요한가? 어떤 조건에서, 어떤 유형의 문제에서 학습 전 학습이 효과적인 문제 해결 전략이 될 수 있는가? 이것들은 본 논문에서 탐구한 주요 쟁점들이다.

 

적절한 학습 전략의 문제는 개발 관리, 특히 연구개발과 제조 사이의 인터페이스에 중요한 영향을 미친다. 제품 개발의 가장 어려운, 그리고 종종 가장 문제가 되는 측면 중 하나는 새로운 제조 공정 기술의 개발과 공장 내 이전이다. 개발 문헌에는 기술이전 문제가 어떻게 제품 도입 지연, 개발비 초과, 과도한 제품 비용, 품질 문제로 이어졌는지를 보여주는 예가 풍부하다. 공장 입장에서는 개발 주기에서 공정 기술을 너무 늦게 받아 상업 생산이 시작되기 전에 '학습 곡선'을 내려올 기회가 없었던 문제 중 하나로 보는 경우가 많다. 공정 기술을 공장에 이전하는 것은 일반적으로 제조에 의해 지지되는 접근법이다. 실제로 최근 몇 년 동안 혁신에 관한 문헌에서 발전에서 공장의 역할을 강조하는 경향이 있어왔다. 5 이 문제는 이전하기 전에 충분히 이해되고 제조 가능한 공정을 개발하기 위한 충분한 시간을 갖지 못한 것으로 보는 R&D의 관점과는 매우 다르게 보일 수 있다. 이 논쟁 밑에 숨어 있는 것은 학습 전 학습 가능성과 학습별 필요성에 대한 다른 관점이 있다. 그러한 논쟁을 해결하고 개발 과정을 가장 효과적인 방법으로 구성하기 위해서는 이러한 학습 모델이 각각 언제 가장 적절한지에 대한 더 깊은 이해가 필요하다.

 

본 논문은 의약품의 23개 공정 개발 프로젝트에 대한 상세한 데이터를 통해 학습 전략이 개발 성능에 미치는 영향을 탐구한다. 이 샘플은 전통적인 화학 합성 약물과 재조합 생명공학 방법을 통해 생산된 약물을 모두 포함한다. 이러한 데이터는 프로젝트 전략, 조직 구조 및 조직 루틴이 제약 산업의 프로세스 개발 성능에 미치는 영향에 대한 대규모 연구의 일환으로 수집되었습니다. 본 논문은 발전소로 기술이전 시기가 개발 비용에 어떻게 영향을 미치는지에 초점을 맞추고 있다(프로젝트에 투자한 이공계 인력에 의해 측정됨). 6 본 논문은 다음과 같이 구성된다. 섹션 2는 학습별 전략과 학습 전 문제 해결 전략 사이의 선택을 분석하는 프레임워크를 개발한다. 섹션 3은 생명공학 및 화학공정을 특징짓는 지식기반의 구조에서 중요한 차이와 각 기술의 적절한 학습전략에 대한 함의를 강조하기 위해 프레임워크를 사용한다. 섹션 4는 샘플의 프로세스 개발 프로젝트의 데이터를 사용하여 학습 전략이 개발 성능에 미치는 영향에 대한 경험적 분석을 제공한다. 섹션 5는 결과물이 프로세스 개발 관리에 미치는 영향과 추가 연구를 위한 방법에 대한 논의로 이 논문을 마무리한다.

 

2. Framework for process development

제품과 프로세스 기술 간의 연결은 산업 전반에 걸쳐 상당히 다르며, 7 이러한 차이는 프로세스 개발의 기술적 및 조직적 과제 모두에 영향을 미칩니다. 예를 들어, 많은 유형의 조립 제품 산업(자동차, 개인용 컴퓨터, 가전제품)에서 제품 기능 및 기능은 공정 설계에 의해 심하게 제한되거나 큰 영향을 받지 않는다. 스펙트럼의 반대쪽 끝에는 의약품, 화학, 반도체, 첨단 소재 등의 산업이 있는데, 이는 제품과 공정 설계의 상호의존성이 높고 공정 기술의 변화가 제품 특성에 큰 영향을 미칠 수 있다. (반면, 제품 설계 규격의 사소한 변경도 요구될 수 있다.)완전히 새로운 프로세스 기술의 개발) 이러한 산업에서 프로세스 개발 능력은 전체 제품 개발 성능에 필수적인 역할을 합니다. 더욱이, 이러한 맥락에서 과제는 제조용 설계 또는 제품 및 프로세스 엔지니어링을 동시에 채택하는 것을 훨씬 넘어서는 것입니다. 이러한 과제는 제품과 프로세스 설계 간의 더 나은 통합을 달성하는 데 있어 중요한 첫 단계일 수 있지만, 프로세스 개발 자체를 더 효율적으로 만드는 방법에 대한 문제를 다루지 않습니다.아래의 논의는 다른 종류의 환경에서 프로세스 개발 효율성의 동인을 이해하기 위한 프레임워크를 제공한다.

 

2.1 Process development and experimentation

산업 전반에 걸친 프로세스 개발의 역할 차이에도 불구하고, 새로운 프로세스 기술 개발에 수반되는 문제 해결의 특성에는 특정한 유사성이 있다. 프로세스 개발의 출발점은 제품에 대한 설명 또는 제품 설계입니다. 물론 공정 개발이 시작되면 설명이 불완전하거나 유동적일 수 있습니다. 화학 물질에서, 이것은 분자에 대한 서면 서술일 수도 있고 분자를 합성하는 데 필요한 일련의 반응을 위한 공식일 수도 있고 분자를 특징짓는 다른 데이터일 수도 있다. 여기에 제시된 프로세스 개발 모델에서, 프로세스 개발자는 프로세스 수행에 대한 일련의 목표로부터 시작하는 것으로 볼 수 있다. 9 이러한 것들은 단위 비용, 요구되는 용량, 산출량, 품질 수준, 임계 공차 또는 기타 운영 특성의 측면에서 프레임이 형성될 수 있다. 설명을 단순화하기 위해 C가 예상 상업적 조건(Xc)에서 작동할 때 공정 성능 특성 집합을 나타내도록 한다. 공정 성능(C)은 공정 모수 집합(p)에 대한 선택에 의해 결정됩니다. 프로세스 개발자의 한 가지 목표는 C(p* ]Xc)를 최적화하거나 최소한 만족스러운 목표 수준을 달성하는 일련의 프로세스 매개 변수를 찾는 것이다. 그러나, 경쟁 환경에서 개발 목표는 가능한 한 효율적이고 신속하게 p*를 찾는 것도 포함해야 한다.

 

p*를 찾는 것은 기술적인 문제 해결 과정이다. i, 그들의 활동과 성격은 맥락에 따라 다를 수 있지만, 기술적 문제 해결 프로세스는 공통적인 특성을 공유한다. 하나는 문제 해결이 바람직한 성과와 실제 성과 사이의 격차에 의해 유발된다는 것이다(뉴웰과 사이먼, 1972; 이안시티와 클라크, 1994). 위에서 언급한 바와 같이, 프로세스 개발의 맥락에서, 이러한 격차는 기존 프로세스 기술이 달성할 수 있는 것(예: 수율 및 비용)과 시장에서 성공을 달성하기 위해 필요한 것 사이의 차이의 측면에서 프레임화할 수 있다. 문제 해결의 두 번째 특성은 일반적으로 검색과 선택의 반복 주기를 통해 발생한다는 것이다(Frischmuth and Allen, 1969).

넬슨과 윈터, 1977; 넬슨, 1982). 각 사이클마다 기술 솔루션을 식별하고 테스트하고 솔루션의 하위 세트를 선택함에 따라 실제 성능과 원하는 성능 간의 격차가 점차 좁혀집니다. 이 학습 프로세스의 중심에는 현재와 목표 성능 수준 사이의 격차에 대한 피드백을 제공하는 실험(물리적 및 개념적 모두)이 있다. 12 결과적으로, 실험의 피드백 품질은 개발 성능을 결정하는 데 중요한 역할을 한다.

 

실험은 여러 가지 형태를 취할 수 있고 다양한 조건에서 수행될 수 있다. 실험의 전통적인 이미지는 제품 샘플 또는 물리적 프로토타입의 실험실 기반 분석이지만, 기술의 진보는 일부 제품과 프로세스 설계를 컴퓨터 지원 시뮬레이션을 사용하여 테스트 및 분석할 수 있게 한다. 물리적 실험도 다른 방법으로 수행될 수 있다. 프로세스 개발에서 일부 실험은 실험실에서, 다른 실험은 파일럿 공장에서, 그리고 다른 실험들은 여전히 본격적 상업 공장에서 실행된다.

 

실험 형태를 구별하는 한 가지 방법은 최종 사용 환경을 대표하는 조건에서 수행하는 범위이다. 대표적인 조건에서 수행된 실험의 예로는 정규 생산 운영자를 활용하여 정규 생산 시간 동안 대규모 상업 시설에서 공정 기술을 시험하는 것이 있다. 대표성 스펙트럼의 다른 쪽 끝에는 소규모 실험실 테스트와 컴퓨터 시뮬레이션이 있을 것이다(그림 1 참조).

 

 

실험 조건은 실험 결과에 영향을 미친다. 따라서 실험 결과가 미래의 일부 운영 환경에서 기대할 수 있는 성능을 항상 대표하는 것은 아니다. C(p*)를 찾기 위해 프로세스 개발자를 고려하십시오. XL 조건 하에서 일련의 프로세스 매개변수가 실험실에서 시험될 때, 연구자들은 실제로 C(p)를 관측하지 않는다. 대신, 그들은 실험실 성능이나 L(pl XL)이라고 할 수 있는 것을 관찰한다. 참고: '실험실 조건'이라는 용어는 광범위하게 사용됩니다.

컴퓨터 시뮬레이션에서 파일럿 규모의 생산 공장에 이르기까지 광범위한 장소를 포괄한다. 실험 조건의 벡터에는 공정 규모, 장비 유형(예: 유리선 대 스테인리스 원자로), 운영자의 기술, 공기 청정 및 기타 환경 변수 등이 포함될 수 있다. 실험자는 다른 실험 조건에 대해 서로 다른 관리 수준을 가질 수 있습니다. 예를 들어, 연구자는 실험에 사용하는 장비의 유형을 선택할 수 있지만 공기 청결에 대한 제어는 거의 없을 수 있습니다.

 

실험실 실험은 미래의 상업적 제조 과정의 표현으로 볼 수 있다. 예를 들어, 화학 공정에 대한 실험실 실험은 상업적인 생산 환경과 질적으로 매우 다릅니다. 그러나, 실험의 각 요소는 공장에서 유사점을 가지고 있다. 작은 유리 시험관은 공장의 스테인리스 반응 탱크를 나타내며, 반응을 일으키는 데 사용되는 얇은 유리 혼합 로드는 자동화된 강철 회전 장치(Rotator)의 힘을 시뮬레이션합니다. 실험을 설정하고 이를 지켜보는 화학자는 미래의 공장 운영자와 컴퓨터 기반 공정 제어 시스템의 역할을 모두 수행합니다. 분명히 실험실 실험의 조건은 미래 공장(소형 유리 시험관 대 대형 스테인리스강 탱크, 박사급 화학자 대 공장 운영자 및 컴퓨터 시스템 등)과 상당히 다르다.

이러한 차이는 실험 결과의 충실도 결여로 이어질 수 있다. 예를 들어, 화학 공정은 작은 척도 대 큰 척도 또는 유리 대 스테인레스 강 용기 대에서 다르게 작동하고 수행될 수 있습니다. 화학자들은 이 과정을 컴퓨터로 제어되는 대형 회전 장치들에 의해 휘젓는 방법과 매우 다르게 저을 수 있다. 이러한 이유로, 연구자들은 C(p'l Xc)가 L(p'[XL)과 같지 않을 것이라고 예상할 수 있다. 생산량은 더 낮을 수 있고, 비용은 더 높을 수 있으며, 불순물이 서로 다를 수 있습니다. 시험 공장에서의 시험조차도 전면적인 발전소에서 예상할 수 있는 시험과는 상당히 다를 수 있다. 실제 상업환경에서 공정기술이 이전되고 이용된 뒤에야 기업들이 공정기술의 문제점을 발견할 수 있는 이유 중 하나다. 실험 조건이 실험 결과에 영향을 미친다는 점을 고려할 때 개발의 주요 과제는 L(p [XL)의 관측을 기반으로 C(plXc)에 대한 예측을 하는 것이다. 

 

2.2 Learning-by-doing versus learning-before-doing 

실험의 충실도를 개선하기 위한 한 가지 접근법(즉, C(plXc)와 L(plXL) 사이의 간격을 줄이는 것)은 시험 조건을 실제 작동 조건에 가능한 가깝게 만드는 것이다. 극단적으로 시험 배치는 실험실이나 소규모 시험 시설이 아닌 상업용 제조 공장에서 실행할 수 있다. 테스트에서 미래 제조 환경의 모든 조건(동일한 공장, 동일한 장비, 동일한 작업자, 동일한 공급업체 등)이 재현되는 경우 XL은 Xc와 동일해야 하며 테스트에서 미래 성능의 비교적 양호한 지표를 제공해야 합니다. 실제로 공장 상태가 일상에서 분 단위로 또는 심지어 분 단위로 변화한다는 점을 고려할 때(예: 사람 변화, 장비 마모, 습도 변동 등) 공장 내 테스트를 하더라도 미래의 상태를 정확하게 재현하는 것은 불가능하다. 그럼에도 불구하고, 공장 내 시험은 가장 대표적인 실험 환경을 제공해야 한다. 공장에서 공정을 진행해야만 어떤 것을 배울 수 있다는 생각은 학습별 아이디어와 일치한다. 문제 해결 전략으로서 학습별 실천의 힘은 높은 충실도의 실험 결과로 이어진다는 것이다. 수행별 학습은 기본적으로 실험 조건(XL)을 가능한 상용 조건(Xc)에 가깝게 만들어 L(pIXL)의 관찰을 기반으로 C(plXc)를 예측하는 문제를 회피한다.

 

학습별 수행은 높은 충실도의 결과를 가져오지만, 다른 비용도 발생시킨다. 실험당 직접 비용은 일반적으로 최소의 효율적인 배치 크기와 전문 장비에 대한 투자 때문에 실험실보다 공장 환경에서 더 높다. 공장 기반 실험은 또한 판매 가능한 제품을 만들기 위해 배치될 수 있는 제조 능력을 사용합니다. 실험당 비용이 높으면 원하는 성능 수준으로 수렴하는 데 필요한 특정 반복 횟수에 대해 공장 내 테스트를 강조하는 실험 전략이 더 높은 개발 비용을 수반한다는 것을 의미한다. 또한 공장은 복잡하고 때로는 혼란스러운 환경이기 때문에 모든 관련 개입 변수를 식별하고 제어하기가 어려울 수 있다. 원자재, 작업자, 장비, 장비 설정 및 기타 프로세스 파라미터에서 배치 간 약간의 차이는 불가피하지만 공장 실험의 신호 대 잡음 비를 감소시킵니다. 또한 어떤 맥락에서 실험실 분석에 사용될 수 있는 매우 비용이 많이 들고 섬세한 고정밀 시험 및 측정 장비는 생산 환경에서 실현 가능하지 않을 수 있다. 따라서 실험실에서 공장으로 이동하는 실험의 신호 대 잡음 비율이 추가로 감소합니다. 하는 것은 배우는 데 효과적인 방법일 수도 있지만, 비용이 많이 들 수도 있습니다.

 

대안적, 잠재적으로 비용이 덜 드는 접근방식은 컴퓨터 시뮬레이션, 물리적 실험실 실험, 파일럿 플랜트 테스트 및 기타 형태의 시뮬레이션을 사용하여 실제 생산 환경 밖에서 미래의 제조 성과를 모델링하는 것이다. 이러한 방법은 공정 성능을 예측하고 공정이 공장으로 이전되기 전에 잠재적 문제를 식별하기 위한 시도로 볼 수 있습니다. 따라서 예를 들어, 한 공정이 시험관에서 완전히 실패한다면, 이는 공장에서도 작동하지 않을 것이라는 좋은 징조가 될 수 있다. 보다 미묘하게, 연구자들은 공정이 발전소로 이전되기 전에 해결할 수 있는 소규모 모델을 통해 불순물이나 공정 변동의 원인을 식별할 수 있을 것이다. 그러나 시뮬레이션은 일반적으로 공장의 온라인 테스트보다 비용이 덜 드는 실험이지만, 앞에서 논의한 충실도 문제로 인해 잠재적으로 어려움을 겪을 수 있다.

 

대부분의 제품 및 프로세스 개발 프로젝트가 (실험실 시뮬레이션에서 '실제' 테스트를 통해) 모든 접근 방식을 사용한다는 점을 고려할 때, 이 문제는 적절한 것 중 하나임을 시사한다.

하나의 접근 방식을 다른 접근 방식보다 채택하는 대신, 접근 방식 간의 균형을 유지하십시오. 시뮬레이션과 다른 형태의 학습-실행 전 학습은 일부 유형의 문제를 식별하고 해결하는 데 사용될 수 있다. 그러나 대표적인 실험을 설계할 수 없는 문제는 학습별 실천을 통해서만 파악되고 해결될 수 있다. 접근법 사이의 균형은 미래의 성과를 예측하고 잠재적인 미래 문제를 식별하고 해결하기 위해 실험실 실험과 다른 형태의 시뮬레이션을 사용하는 능력에 영향을 미치는 지식 구조와 관련되어야 한다.

 

2.3. Structure of knowledge and the appropriate learning strategy

지난 몇 년 동안, 지식이 문맥에 따라 어떻게 다른지를 특징짓기 위한 다양한 시도가 있어왔다. 1962년 폴라니로 거슬러 올라가면, 몇몇 작가들은 '타킷'과 '코드화된' 지식을 구별했다. 이 구별은 유용할 수 있지만, 그것은 단지 지식이 저장된 형태일 뿐이다. t9 적절한 문제 해결 전략 결정의 목적상, 중요한 원인-효과 관계를 결정하는 데 있어, 이 구별 아래에는 기본 원인-효과 관계(폴라니 표현대로 '규칙')가 명확하게 식별되고 잘 이해되는 정도가 있다. 실험 결과에 대한 실험 조건의 영향과 관련이 있다.

 

문제 해결자가 특정 실험 조건(예: 척도, 장비, 습도 등)이 특정 결과(예: 공정 수율)에 어떤 영향을 미치는지 이해한다면, 그들은 이 지식을 사용하여 미래 작동 조건 하에서 성능에 대한 예측을 할 수 있다. 예를 들어, 만약 연구자들이 과학 이론이나 경험 중 하나를 통해 규모 증가의 각 순서가 약 10%의 수확량을 감소시킨다는 것을 안다면, 소규모 실험을 사용하여 더 큰 규모로 성능에 대한 예측을 할 수 있다. 이러한 원인-효과 관계에 대한 더 깊은 지식을 통해, 연구원은 실험실 관찰을 (일부 지정된 조건 집합에서) 예상되는 미래 성능에 매핑하는 보다 완전하고 정확한 모델을 구축할 수 있다. 극단적인 경우, 연구원은 모든 관련 실험 조건, 프로세스 매개변수에 미치는 영향 및 성능에 대한 모든 프로세스 매개변수의 1차 및 2차 영향에 대한 완전한 지식을 보유할 수 있다.

 

1-1 유리병에서 수행한 화학 실험의 다음 간단한 예를 5000갤런 스테인리스강 탱크에서 실행할 상업용 프로세스를 시뮬레이션으로 살펴보십시오. 간단히 말해, 관련된 유일한 실험 조건은 공정의 규모(11 갤런 대 5000 갤런)와 반응 용기의 재료 구성(유리 대 스테인레스 스틸)이며, 온도가 유일하게 관련된 공정 변수이며, 연구자가 한 가지 성능 결과에만 관심이 있다고 가정한다. 연구자가 온도, 척도, 혈관 재료 및 수율 사이의 모든 관련 실험 조건 및 공정 매개 변수와 독립적이고 상호작용적인 관계를 알고 있는 경우, 특정 온도 포인트에서 하나의 조건 세트(1-1 유리 병)에서 수행되는 실험을 사용하여 최적 온도를 찾을 수 있습니다.다양한 조건(화이트갤런, 스테인레스강)에서 수율을 최소화합니다.

모든 충분히 복잡한 과정의 경우, 그러한 완전한 지식을 얻는 것은 아마도 불가능할 것이다. 그러나, 사전 학습하기 위해, 연구자는 결과가 어떻게 나오는지에 대한 '글로벌' 모델만 갖추면 된다.

특정 조건 집합에서 관찰되는 경우 다른 조건 집합에서 결과를 매핑합니다. 예를 들어, 수년간 실험실에서 시험 과정을 거치고 공장에서 실제 성능을 관찰하면서, 연구자들은 실험실 실험으로부터 미래 성능을 예측하는 휴리스틱을 개발할 수 있다. 선행 과학 지식이나 경험은 "실험실에서 E(p ')를 관찰하면 식물에서 C(p)를 기대할 수 있다"는 형태의 예측 모델을 제공한다. 이 경우, 연구자는 특정 조건이 프로세스 또는 프로세스 성능에 어떤 영향을 미치는지 완전히 알지 못할 수 있지만, 전체 실험 조건 집합이 결과에 어떻게 공동으로 영향을 미치는지에 대한 전반적인 이해를 가지고 있다. 실험실 또는 파일럿 공장의 관찰에 기초하여 무엇을 예상해야 하는지에 대한 휴리스틱스가 나타날 수 있다(예: "배수").

공장에서 미래 생산량을 예측하기 위해 실험실에서 0.75까지 관측된 수율입니다.") 이 경우, 지식은 C(plXc)= F[(L(plXL) 형태를 취하는데, 여기서 F의 함수 형태는 상수 또는 더 복잡한 관계처럼 단순할 수 있다. 개발자가 '선형 스케일업'을 갖는 공정에 대해 이야기할 때, 소규모(그리고 다른 실험실 조건 하에서) 공정에 대해 학습된 내용을 더 높은 규모(및 다른 상업적 제조 조건)로 추정할 수 있다는 것을 의미합니다.  

 

주어진 기술적 맥락에서 학습 전 실행 기회는 누적된 실제 경험에 기초한 과학적 이론 또는 휴리스틱에 의해 중요한 인과 관계가 설명되는 정도에 따라 달라져야 한다. 기초적인 이론적 지식이 강한 경우(그리고 미래 생산 환경의 조건에 대한 비교적 완전한 지식이 있는 경우), 예상 상업에 대한 합리적으로 정확한 예측을 제공하는 고도로 대표적인 실험실 실험을 설계하기 위해 중요한 변수와 그 행동에 대해 충분히 알 수 있다. 수행 22 이러한 조건 하에서, 학습 전 수행은 개발 프로세스에서 더 큰 역할을 해야 한다(공장에서 학습별 수행의 필요성이 여전히 존재해야 함). 대조적으로 규모와 기타 실험 효과에 대한 이론적 또는 실제 지식이 제한되는 경우, 실제 작동 조건에서 실행할 때 실험실에서 테스트한 프로세스가 어떻게 작동할지 예측하는 것은 사실상 불가능할 것이다. 실험실과 공장 환경 사이에 미묘하고 종종 알려지지 않은 차이가 있을 수 있다.

프로세스 성능에 미치는 주요 영향 공장 외부에서 학습된 대부분의 내용은 무관할 수 있으며, 개발자가 운이 따르지 않는 한, 공정을 계획대로 운영하기 위해 재작업이 필요할 수 있습니다. 이러한 기술 체제 유형의 경우, 프로세스의 평가는 가능한 실제 작동 조건에 가까운 조건에서 수행되어야 한다. 아직 미숙할 때 공정이 발전소로 이전하고, 거기서 개발하고 다듬는 것(학습별)이 더 효율적인 접근법이 돼야 한다.

 

(개발 성과 측면에서) 학습별 가치가 덜 성숙한 지식 기반이 있는 환경에서 더 높아야 한다는 제안은 섹션 4의 제약 산업의 생명공학 및 화학 부문의 23개 공정 개발 프로젝트에 대한 데이터로 시험한다. 지식 환경에 대한 논의를 심화시키고 통계 분석에 동기를 부여하기 위해, 다음 절에서는 화학 및 생명공학 기반 의약품의 공정 개발 및 공정 지식의 특성에 대해 논의한다.

3. The anatomy of process development in pharmaceuticals

이 연구는 약물에 사용되는 치료 활성 화학 물질 또는 생화학 화합물의 생산 공정 개발에 초점을 맞추고 있다. 제약 R&D 프로젝트의 발견 단계에서, 연구 과학자들은 조사 중인 분자의 비교적 적은 양을 합성하기 위한 조잡한 과정을 개발한다. 그러나 이러한 실험실 생산 방법은 거의 항상 필요한 비용과 품질 수준으로 복합물을 상업용량으로 제조하기에는 부적합하다. 표 1은 대표적인 화학기업에 대한 '초기 발견 프로세스'와 '최종 상업 생산 프로세스'의 비교에 대한 예시이다.

 

 

23개 프로젝트의 샘플(화학합성 및 생명공학)에 대표되는 두 가지 기본 프로세스 기술은 지식 환경의 특성이 개발에서 최적의 학습 전략에 영향을 미친다는 명제를 검토할 수 있는 좋은 기회를 제공한다. 이 기술들은 각각 역사적 발전의 매우 다른 단계에 있다. 또한 이론 및 실제 지식의 깊이 측면에서 각 스펙트럼의 다른 끝에 있다. 이러한 차이는 기초 과학 분야의 각각의 성숙도, 관련 과학 이론의 개발, 스케일 업에 도움이 되는 프로세스 엔지니어링 휴리스틱의 가용성에서 비롯된다. 각 환경에서 개발자가 직면하는 기술 문제의 기술 기반과 특성에 대한 간략한 설명이 아래에 나와 있습니다.

 

3.1. Chemical synthesis

화학 합성은 대부분의 약에서 발견되는 활성 성분을 생산하는 전통적인 방법이다. 화학 공정 개발은 원하는 분자(합성 경로)를 구성하는 데 필요한 화학 반응의 순서를 결정하고, 성능을 최적화하는 반응 조건, 장비 설계, 기계 조작, 공정 흐름 및 작동 절차를 명시하는 것을 포함한다. 문제 해결은 크게 화학과 화학 공학이라는 두 가지 지식에서 비롯된다. 두 분야 모두 문제 프레임 방식과 이론, 소규모 실험 데이터 및 컴퓨터 시뮬레이션을 사용하여 상업적으로 실행 가능한 솔루션을 검색할 수 있는 기회에 영향을 미치는 특성을 가지고 있다. 화학과 화학공학은 학문 분야와 산업 실무 분야 모두에서 상대적으로 성숙하다. 화학의 기초 연구는 18세기까지 거슬러 올라갈 수 있다. 화학 이론의 많은 중요한 원리들이 18세기 후반에서 19세기 사이에 발견되었다. 거의 2세기에 걸친 기초 연구의 과정 동안, 풍부한 법칙, 원리, 그리고 이론들은 화학공정이 작용하는 방식에 대해 진화해왔다. 산업 생산 과정에 이 기본 지식의 적용은 18세기까지 거슬러 올라간다(약물을 제조하기 위한 화학 합성의 사용은 19세기 중반에 시작되었다). 합성 염료의 생산에서부터 시작하여 수년간의 산업 경험은 화학 이론을 검증하고 다듬는 데 도움이 되었을 뿐만 아니라 화학 공정의 스케일업 방법에 대한 지식의 발달로 이어졌다. 화학공학은 19세기 후반에 미국에서 공식적인 학문으로서 등장하기 시작했다. 수년간 축적된 개발 및 스케일업 경험을 통해 화학공학 휴리스틱스의 대규모 조직이 진화하여 오늘날까지도 공정 선택, 스케일업 및 플랜트 설계를 안내하는 데 널리 사용되고 있습니다.

 

따라서, 화학 공학이 오늘날에도 여전히 활발한 연구 분야이지만, 두 분야 모두 잘 확립되고, 고도로 전문화되고, 정형화된 지식 기반에 의존하고 있다. 대체 화학 공정을 검색하고 선택하고 적절한 상업 제조 공정을 개발하는 과정에서 화학 환경의 개발자들은 다양한 공정 변수 사이의 관계 구조를 설명하는 풍부한 과학 법칙(예: 열역학), 원리 및 적용 모델을 마음대로 가지고 있다.s(압력, 부피, 온도 등) 이러한 지식은 프로세스의 신속한 시뮬레이션과 특정 프로세스 매개 변수와 조건이 수율, 비용, 처리량 및 용량에 미치는 영향을 허용하는 컴퓨터 모델에서 점점 더 많이 코드화되고 있다. 

 

지식 기반은 기술적일 뿐만 아니라 조직 문제까지 확장됩니다. 제약회사들은 누적 경험을 통해 품질보증 및 공정관리, 생산스케줄링, 변경, 유지보수, 기타 생산활동을 위한 조직일정 및 표준운영절차를 개발하였다. 생산 환경의 많은 뉘앙스가 잘 이해되고 있다. 이러한 루틴에 대한 경험은 실제 생산 환경 내에서 어떤 유형의 프로세스 기법이 실현 가능한지에 대한 개발 및 지침을 위한 구체적인 출발점을 제공한다. 화학 과정을 둘러싼 지식의 구조는 매우 구체적인 방식으로 문제 해결 전략에 영향을 미친다. 합성 경로의 선택 및 스케일업은 아래 예제로 사용됩니다.

 

3.2. Route search, selection, and scale-up 

루트는 프로세스의 기본 아키텍처를 나타내며, 그것의 상업적 성능에 큰 영향을 미치기 때문에, 그것의 선택과 스케일업은 개발 프로세스의 중요한 요소이다. 어떤 주어진 분자는 거의 항상 다양한 시작 원료와 화학 반응의 다른 조합으로부터 합성될 수 있다. 경로 검색 및 선택에는 상업 제조에 가장 적합한 속성을 가진 곳을 찾는 작업이 포함됩니다. 기술적으로 실현 가능한 합성 경로는 매우 잘 이해되는 화학 및 물리적 법칙에 의해 제한된다. 그러므로, 공정 연구 화학자들은 거의 항상 이론적으로 실현 가능한 대안들의 목록을 생성함으로써 경로를 찾기 시작한다. 옵션은 이론, 출판된 문헌에서 제공한 단서, 또는 다른 분자에 사용되는 프로세스의 내부 데이터베이스를 조사하는 것에서 도출된다. 화학자들은 때때로 '종이 실험'을 하는 것에 대해 이야기 할 것인데, 이것은 그들이 종이 위에서 잠재적 경로를 알아내는 것을 의미한다.

 

물리적 실험실 실험이 실시되기 전에, 심각한 단점이 있는 프로세스를 제거하기 위해 광범위한 모델링 및 분석을 수행한다. 이 단계에서 지식의 두 가지 본체가 상호작용합니다: 미래의 제조 환경에 대한 지식과 화학에 대한 지식. 화학은 연구자들에게 그 과정의 특성에 대해 말해준다. 얼마나 많은 화학 반응이 필요한가? 어떤 원자재가 필요합니까? 어떤 중간 화학 물질이 생성됩니까? 부산물은 무엇입니까? 얼마나 많은 에너지가 필요한가? 제조 환경에 대한 지식은 경로 선택에 대한 경험적 접근에 영향을 미친다. 예를 들어, 총 공정 수율은 각 단계에 따라 곱셈적으로 감소하므로 경로 선택에서 공통적으로 발생하는 휴리스틱은 반응이 더 적은 경로가 더 많은 경로보다 더 바람직하다는 것이다. 또한 경로가 부족한 원자재를 요구하거나 매우 위험한 부산물을 발생시키거나 극단적인 반응 조건을 요구할 가능성이 있는 경우 일반적으로 차단된다.

 

개념적 탐색 및 분석은 공정에서 유망한 리드 또는 반대로 치명적인 결함을 식별하는 데 유용하다. 그러나 이론은 지금까지 선택의 폭을 좁힐 수 있을 뿐이다. 화학 이론은 어떤 분자가 잘 결합하는지에 대해 연구자들에게 좋은 아이디어를 주지만, 반응의 운동 특성(반응이 얼마나 빨리 일어날지)을 예측하는 데는 덜 도움이 된다. 따라서, 다음 단계는 프로세스의 열역학 및 운동학적 연구에 필요한 물리적 데이터를 수집하기 위해 소규모 실험에서 나머지 후보를 평가하는 것이다. 온도, 농도, 용제 및 기타 반응 조건의 변화가 미치는 영향을 조사하기 위해 여러 번 반복한다. 따라서, 문제 해결은 여전히 시행착오를 필요로 하지만, 이러한 시험들은 연구실에서 시행된다. 그런 다음 이러한 데이터를 프로세스 시뮬레이션 모델(화학 엔지니어링 경험 및 원칙에 근거)에 연결하여 처리량, 용량 요구사항, 수율 및 미래의 운영 조건 하에서 비용을 추정할 수 있습니다.

 

스케일업은 화학 프로젝트에서 일반적으로 중요한 문제로 간주되지만 화학에서는 수량이나 스케일 변수가 없습니다. 즉, 단순히 스케일업한다고 해서 공정의 화학 작용이 달라지는 것은 아닙니다. 그러나 척도는 중요한 2차 효과를 가질 수 있습니다. 예를 들어, 더 큰 척도에서 열은 반응 혈관 전체에 균일하게 분포되지 않을 수 있습니다. 온도가 특정 임계값 아래로 떨어진 영역에서는 반응이 일어나지 않을 수 있으므로 수율을 낮추거나 불순물로 이어질 수 있습니다. 스케일 업의 과제는 기본 화학 성분을 변경하지 않고 공정을 더 큰 규모로 운영하는 방법을 찾는 것입니다. 이를 위해서는 공정의 원하는 화학 성분을 매우 정밀하게 특성화해야 합니다(그렇지 않으면 어떤 화학 물질이 변하지 않도록 하려는 것인지 잘 모를 수 있습니다). 실험실에서 핵심 공정 변수가 확인된 경우, 화학공학 휴리스틱과 치수 분석을 사용하여 규모 효과를 합리적으로 잘 모델링할 수 있으며, 파일럿 규모 생산 테스트로 확인할 수 있다.

 

화학 합성 개발을 수행하기 전에 학습할 수 있는 가능성을 뒷받침하는 증거는 개발 중 경로 변경의 수, 시기 및 원인에 대한 데이터를 통해 얻을 수 있다. 표 2는 프로젝트 목록(위장명 포함), 전체 프로세스 개발 프로젝트 중 경로 변경 횟수 및 마지막 변경이 구현된 단계를 제공합니다. 모든 프로젝트들은 분자의 발견에 사용된 원래 경로에서 적어도 하나의 경로 변경을 수반했다. 표시된 바와 같이, 대부분의 프로젝트가 한 가지 변경만을 포함하지만, 여러 경로 변경이 샘플에서 드물지 않았습니다. 가장 두드러진 것은, 단지 한 가지 노선 변경만이 공정의 상업 생산 시설로의 이전 도중 또는 이후에 발생했다는 것이다. 그리고, 이 특별한 경우, 프로젝트 참여자들이 인터뷰한 경로의 근본적인 문제(변화를 촉발한)가 이 단계 훨씬 이전에 잘 알려져 있다는 강한 징후들이 있었다. 본 프로젝트의 시작부터 생산 시작까지 이 프로젝트에 관여하는 수석 공정 개발 화학자에 따르면,

 

마지막 단계는 그 과정의 아킬레스건이었다. 그것은 연구실에서 작동하지 않았다. 파일럿 공장에서는 작동하지 않았고, 상업 제조에서도 작동하지 않았습니다. 하지만 우리 모두는 일단 규모가 커지면 문제를 해결할 수 있다고 생각했습니다. 다른 프로젝트에서도 그렇게 했습니다.

 

변경사항 중 압도적으로 많은 부분이 공정 개발의 파일럿 생산 단계에서 최종 결정되거나 구현되었습니다. 그 주된 이유는 대부분의 조직이 특정 가상 경로 변경을 적용하거나 구현하기 전에 여러 프로덕션 배치를 실행하는 것을 선호하기 때문입니다. 인터뷰를 통해 최종 노선 변경으로 이어지는 기술적 문제가 파일럿 생산 시작 전이나 이후에 처음 확인됐는지 여부를 판단하기 위한 시도가 이뤄졌다. 표본의 프로세스 개발 프로젝트가 다년간 지속될 수 있고 지리적으로 분산된 개발 부서가 관여할 수 있으므로, 문제를 추적하고 분류하는 데는 명백한 방법론적 어려움이 수반되므로 데이터를 신중하게 해석해야 한다. 파일럿 생산 단계에서 노선 변경을 수반하는 10개의 프로젝트 중, 최종 변경을 유도하는 문제가 파일럿 생산 과정에서 처음 발견된 명확한 사례는 단 3건에 불과했다. 나머지 사례에서, 처음에는 실험실 규모에서 문제가 확인되었다. 이러한 경우 중 약 절반은 프로세스 개선을 통해 파일럿 규모로 문제를 수정하려는 광범위한 시도가 원하는 결과를 달성하지 못한 후에야 경로 변경이 구현되는 상황으로 보였다.

 

이 논의는 모든 잠재적 문제가 연구소에서 다뤄질 수 있으며, 시동이 하찮다는 것을 의미하지는 않는다. 특정 생산 환경의 미묘한 특이성(운영자가 특정 단계를 수행하는 방법, 공장의 레이아웃과 배관, 26 공장에 이미 설치된 특정 장비)의 영향은 예측하기 어렵기 때문에 여전히 학습별 역할이 있다. 그 쟁점은 균형이 잡혀 있다. 화학 프로세스를 둘러싼 이론적이고 실제적인 지식의 잘 발달된 상태를 감안할 때, 실험실 및 파일럿 규모 검색은 문제를 발견하고 프로세스의 기본 아키텍처를 개발하는 데 있어 비교적 생산적이다. 공정을 조정하고 특정 공장의 특이성에 적응시키는 것은 공장 환경에서 학습별 수행이 필요할 가능성이 가장 높다.

3.2.1. Biotechnological processes 

생명공학 프로세스 개발의 기초가 되는 지식기반의 특성은 화학합성의 그것과는 상당히 다르다. 이러한 차이는 주로 두 기술의 성숙도 차이와 관련이 있다. 화학약품에 비해 생명공학은 아직 걸음마 단계다. 치료용 재조합 단백질에 대한 상업적 연구개발을 촉발하는 주요 발견은 1973년에야 이루어졌다. 최초의 상업 생명공학 기업은 1970년대 중반에 설립되었다. 분자생물학, 세포생물학, 생화학, 단백질화학, 기타 관련 과학 분야에서의 기초과학 연구가 광범위하게 이루어지고 있지만, 이 연구의 대부분은 특정한 치료 효과를 가진 분자를 찾고 복제하는 문제에 맞춰져 있다. 화학 세계와 비교해 볼 때, 더 큰 규모의 생명공학 과정을 엔지니어링하는 문제에 대한 기초 연구는 거의 이루어지지 않았다. 화학제품과 달리 산업 전반은 공정 설계와 스케일업으로 실질적인 경험이 거의 축적되지 않았다. 상업적인 규모로 제조된 최초의 생명공학 기반 제약인 재조합 인슐린은 1982년 규제당국에 의해 승인되었으며, 그 이후로 미국에서 판매된 생명공학 기반 치료제는 총 25개에 불과하다. 실제로, 일부 관찰자들은 처음에는 재조합적으로 설계된 프로세스가 확장될 수 있다는 회의적인 시각을 가지고 있었다. 우리의 연구 동안에 인터뷰한 연구원들은 일반적으로 개발 과정을 '과학보다 더 많은 예술'과 관련된 것으로 묘사했다.

 

화학 물질과 생명공학 지식 구조 사이의 중요한 차이는 세 가지 범주로 나뉜다. (1) 기본 공정에 대한 이론적 이해의 차이, (2) 중간 및 최종 생산물의 정밀한 특성 확인 능력, (3) 규모의 2차 효과에 대한 지식. 이들 각각에 대해 아래에 설명되어 있습니다.

3.2.2. Lack of theory  

화학 합성과 비교했을 때, 생명공학 공정 기술은 상대적으로 미숙한 이론적 기반이 특징인 지식 체계이다. 재조합 단백질의 생산을 지배하는 정확한 원리는 희미하게 이해된다. 프로세스 검색과 선택을 안내하는 일반적인 이론이나 심지어 주먹구구식 규칙도 거의 없습니다. 이 연구에서 인터뷰한 연구원들은 '모든 단백질은 다르다'고 강조했다. 이 연구에서 인터뷰한 한 연구원은 세포 배양 매체에 태아 송아지 혈청을 사용할지 여부를 결정하는 예를 제공했다. 태아 송아지 혈청은 매우 비싸고 정화를 더욱 복잡하게 만들 수 있기 때문에, 일반적인 경향은 '세럼 프리' 매체를 사용하는 것이다. 하지만 혈청이 필요할 수 있는 이유와 시기를 지시할 이론은 없다. 그는 이렇게 말했다. 

한 제품만 있으면 세럼 없는 미디어로 쉽게 전환할 수 있습니다. 정확히 동일한 숙주 세포를 사용하는 또 다른 제품은 혈청이 없는 상태로 전환되면 완전히 죽는다. 당신은 단지 무엇이 효과가 있을지 미리 알 수 없다. 

 

따라서 화학 공정과 달리 생명공학 공정에 영향을 미치는 요인은 작은 규모에서도 잘 파악되지 않는다. 따라서 (실험실에서 공장으로) 환경의 변화가 공정에 어떤 영향을 미칠 수 있는지 예측하기가 어렵습니다.

3.2.3. Inability to characterize intermediates and final products  

생명공학 과정에 의해 생성된 단백질 분자는 엄청나게 복잡한 구조를 가지고 있다. 게다가, 어떤 주어진 '분자'는 종종 실제로 관련된 분자들의 한 부류에 속하는데, 각각의 분자들은 그것의 '친족'과는 아주 약간 다를 수 있다. 화학 합성을 통해 생성된 비교적 작은 분자의 구조는 완전히 특성화될 수 있지만, 대부분의 단백질은 그렇게 될 수 없다. 결과적으로, 공정의 작은 변화가 어떻게 단백질의 구조를 변화시킬 수 있는지를 추적하는 것은 매우 어려울 수 있다. 게다가, 화학 연구자들과는 달리, 생명공학 연구자들은 그 과정에서 각각의 반응을 분리, 분석, 특성화할 수 없다. 이러한 정밀도는 각 과정이 말 그대로 수천 개의 반응으로 구성되어 있는 생명공학적인 맥락에서 불가능하며, 사실상 모두 숙주 세포 안에서 일어난다. 분자생물학자들은 세포가 단백질을 합성하는 메커니즘을 이해하지만, 어떤 주어진 생성물에 대한 세포내 반응의 정확한 순서는 잘 알려져 있지 않다. 따라서, 비록 연구자들이 어떤 과정에서 특정한 문제들을 관찰할 수 있을지라도(예: 수율 급감, 단백질의 형태 변화), 이것들은 세포에서 행해진 특정한 반응으로 추적될 수 없다. 결과적으로, 일부 프로세스 매개변수(예: 온도) 또는 작동 조건(예: 척도)의 변화가 프로세스의 내부 작업에 어떤 영향을 미칠 수 있는지 예측하는 것은 매우 어렵다.

3.2.4. Lack of knowledge of second-order scale-up effects 

화학제품과 마찬가지로 규모도 생명공학 과정에 2차적인 영향을 미칠 수 있지만, 생명공학의 경우 이러한 영향을 잘 이해하지 못하고 있다. '모든 단백질은 다르다'는 점을 고려할 때, 일반적으로 적용 가능한 스케일업 휴리스틱은 나타나지 않았다. 실험실 데이터에서 상업적 공정 성능을 예측하는 것은 매우 어렵다. 연구 중에 인터뷰한 한 연구원은 다음과 같은 사건을 회상했다. 

연구에 따르면, 클론 #53은 하루에 셀당 30-40 피코그램으로 표현된다고 한다. 하지만 일단 규모를 키우면 성능이 15pcd로 떨어집니다. 

 

스케일업 문제를 복잡하게 만드는 것은 작은 스케일에서도 공정이 작동하는 방식에 대한 깊은 이해가 없다는 것입니다(위의 섹션 3.2.2). 위의 예에서 연구자들은 클론 53이 왜 30-40 pcd로 표현되었는지 설명하지 못했으며, 어떤 요인이 클론을 15 pcd로 감소시켰는지 이해할 수 없었다. 연구자들은 일반적으로 어떤 환경 변수가 관련될 수 있는지 사전에 알지 못하며, 자신이 식별한 변수의 영향을 완전히 예측할 수 없다. 예를 들어, 표본의 한 프로젝트에서 소규모 테스트 중에 정화 단계 이후의 낮은 수율이 발견되었습니다. 정화 기둥(본질적으로 필터의 일종)이 과부하가 되어 활성 단백질을 씻어내고 있었다. 이런 일이 일어난 이유는 정확히 밝히기 어려웠다. 용액 내 활성 단백질의 농도를 줄이기 위해 이전 공정 단계를 제거하는 것이 더 큰 규모로 작용하는 것으로 보였다. 그러나, 문제를 해결한 것은 실제로 사용된 더 큰 정화 기둥이지, 용액의 농도가 증가된 것이 아니라는 것이 나중에 밝혀졌다. 상업적 제조 환경에서 공정이 더욱 확장되었을 때, 생산량 문제가 다시 표면화되었는데, 그 이유는 그 규모에서 훨씬 더 큰 정화 열이 필요했기 때문이다.

 

불행하게도, 기술 자체가 너무 다르기 때문에, 생명공학에서 발견된 문제의 본질과 원인을 화학 샘플에 대해 앞에서 논의한 것과 비교하는 것은 불가능하다. 예를 들어, 합성 경로는 생명공학 프로세스에서 개발되지 않기 때문에, 우리는 이 차원에 따른 변화를 비교할 수 없다. 그럼에도 불구하고, 10개의 생명공학 프로젝트에 걸쳐 공정 변화와 문제에 대한 질적 정보는 위에 제공된 예와 매우 일치했다. 표본의 사실상 모든 생명공학 프로젝트에서 파일럿 생산과 상업적 생산으로 스케일업하는 것은 심각한 프로세스 문제와 그에 따른 프로세스 변화와 관련이 있었다. 각 스케일업 및 전송과 관련된 기술적 문제가 많다는 점을 감안할 때 어떤 문제가 발생했거나 예상할 수 있었는지를 체계적으로 추적하는 것은 불가능했다. 그러나 인터뷰의 일반적인 주제는 규모나 생산 장비의 변화와 관련된 문제가 경험이 풍부한 조직에서도 예측하기가 매우 어렵다는 것이었다.

 

앞서 개발된 프레임워크를 사용하면 효과적인 프로세스 개발 패턴이 생명공학 프로젝트와 화학 프로젝트 간에 다를 것으로 예상할 수 있습니다. 화학 환경에서 지식의 구조는 실험실 및 파일럿 공장에서 많은 주요 문제를 식별하고 해결할 수 있도록 허용하는 반면, 생명공학은 공장 내 학습별 수행에 훨씬 더 많은 강조를 요구할 가능성이 있다. 이 가설은 아래에서 검증되었습니다.

 

4. Research design, data, and analysis 

분석에 사용된 데이터는 제약 업계의 공정 개발 성과에 대한 더 큰 연구에서 도출한 것입니다. 분석에 필요한 정보의 종류가 공개되지 않기 때문에 연구에 참여하려는 제약사의 협조를 얻을 필요가 있었다. 이러한 데이터는 매우 독점적이기 때문에, 참여 기업의 이름과 집계 통계 이외의 특정 프로젝트의 세부 사항은 공개될 수 없다. 현재 분석을 위한 데이터는 23개 공정 개발 프로젝트에서 수집되었습니다. 이 중 13개 프로젝트는 전통적인 화학 공정의 개발과 관련된 반면, 10개 프로젝트는 새로운 생명공학 기반 기술을 기반으로 한 공정과 관련된 것이었다. 이번 연구에는 모두 11개 기관(창업 제약사 5개, 생명공학기업 5개, 기성 제약사 생명공학부문 1개)이 참여했다. 각 프로젝트별로 중요 프로젝트 이벤트의 이력과 시기, 투입된 리소스, 문제 파악 및 해결에 사용된 접근 방식의 세부사항에 대한 데이터를 수집하였다. 이 데이터는 설문 조사, 주요 프로젝트 참가자와의 심층 인터뷰, 독점 문서 등의 조합을 통해 입수되었다. 정확성을 보장하기 위해 세 가지 출처의 데이터를 상호 점검했으며 데이터의 불일치를 해결하기 위해 후속 인터뷰를 사용했다. 총 2년간 데이터 수집 과정에 참여 R&D 현장 및 미국과 유럽의 공장 직원 200여 명이 인터뷰에 참여했다.  

 

데이터 수집 프로세스의 특성 때문에 표본 크기가 상대적으로 작습니다. 표본 크기를 제한하는 두 번째 요인은 잠재적 프로젝트의 모집단이었다. 표본의 각 공정 개발 프로젝트는 제약 산업에서 비교적 드문 사건인 새로운 분자 실체의 개발과 관련이 있었다. 가장 크고 생산성이 가장 높은 제약 회사는 어떤 해에 하나 이상의 새로운 분자 실체를 출시하는 일이 드물며, 많은 회사들이 수년 동안 아무런 출시도 하지 않고 있다. 생명공학의 상황은 이 기술을 사용하여 개발된 신약의 수가 상대적으로 적다는 점을 감안할 때 훨씬 더 제한적이다. 대부분의 경우, 샘플의 프로젝트들은 정확한 데이터와 주요 프로젝트 참여자들이 가장 많이 이용 가능했던 프로젝트들이었기 때문에, 각 회사의 가장 최근의 개발 노력을 나타낸다. 이러한 표본 추출 방법이 결과에 영향을 미칠 수 있는 표본의 심각한 편향으로 이어진다고 의심할 이유가 없었다.

 

4.1. Dependent variable 

종속 변수인 공정 개발 비용은 공정 연구, 개발, 스케일업 및 상업 공장 이전과 관련된 모든 활동에 필요한 총 이공계 인력 시간의 수로 측정된다. 공정 개발 비용은 개발을 둘러싼 높은 불확실성을 감안할 때 의약품에서 특히 중요한 성과 차원이다. 개발 중인 대부분의 신약은 시판되지 않는다. 적은 리소스로 개별 프로젝트를 수행할 수 있는 기능은 개발 위험과 총 비용을 줄이는 데 도움이 됩니다. 프로젝트의 시작은 결국 상업 생산에 적합할 수 있는 공정을 찾기 위해 고안된 연구의 시작에 의해 두드러졌다. 이 점은 공정 연구 인력이 프로젝트에 처음 참여했을 때를 나타내는 프로젝트 기록과 인터뷰를 통해 확인할 수 있습니다. 완전한 상업적 규모로 프로세스의 성공적인 검증은 프로젝트의 종료를 알리는 데 사용된 사건이었다. 검증은 규제적 영향을 미치기 때문에 제약사들은 언제 발생하는지 우수한 기록을 남긴다. 공정 개발에 투입된 총 시간은 프로젝트 기록(예: 타임시트)과 프로젝트 관련 직원의 추정치를 사용하여 보정했습니다.

 

4.2. Independent variables

4.2.1. Timing of technology transfer  

공장을 과정 기술 이전의 관심의 주된 독립 변수는 타이밍입니다.이후 사업의 총 길이 크게 다르기 때문에, 그것은 발전소가 전체 과정 개발 리드 타임에 비례하여 이전 시기 비교하는 것이 중요하다.다음과 같이 가변(전송):건설되었다. 

이 지수가 낮을수록 조직은 학습에 의존하는 것으로 추정됩니다.

 

4.3. Additional variables

4.3.1. Project complexity and content  

프로젝트의 샘플에는 상당한 이질성이 있기 때문에 이러한 차이와 개발 생산성에 미치는 영향을 제어할 변수가 모델에 포함된다. 한 가지 중요한 차이점은 그 프로젝트들이 생명공학인지 아니면 화학에 기반을 둔 것인지이다. 프로젝트가 화학 기반인지 여부를 나타내는 더미 변수(CHEMICALs)가 포함되어 있습니다. 가법 더미로서, 이 변수는 화학 프로젝트와 생명공학 프로젝트 사이에 생산성의 평균에 차이가 있는지 여부를 나타냅니다.

 

복잡성의 차이는 요구되는 시간에도 영향을 미칠 것이다. 화학 프로젝트의 경우, 복잡성의 척도는 분자를 합성하는 데 필요한 화학 반응의 수이다. 이 변수(CEM × RECTIONs)는 화학 더미(CEMICALs)와 합성에 필요한 반응의 수를 곱하여 생성되었다. 생명공학 샘플 내의 복잡성 차이를 제한하기 위해, 재조합 DNA 프로세스 개발과 관련된 생명공학 프로젝트만 포함되었다(예: 단일외 항체는 샘플에서 제외되었다). 

 

프로젝트 수준의 복잡성 차이를 위한 추가 제어에는 프로세스의 규모(상업 생산 첫 해에 제품의 총 생산량으로 측정됨)가 포함되었습니다. 표본의 엄청난 범위(그램에서 수십만 미터 톤) 때문에 이 변수는 로그로 측정되었습니다. 변수는 모형에 로그(SCLE)로 나타납니다. 이 약물이 급성 또는 만성 표시를 위한 것인지 여부에 대한 모델 제어가 연구 참가자들과의 논의에서 제안되었다. 32 더미 변수(ACute)가 모형에 포함되어 급성 치료 약물에 대해 공정이 개발되고 있음을 나타냈다.

 

4.4. Descriptive statistics

표 3은 전체 표본과 화학 및 생명공학 하위 표본 모두에 대한 변수의 평균과 표준 편차를 보여줍니다. 기술이전 전략과 관련해서는 화학약품과 생명공학약품 사이에 상당한 차이가 있는 것으로 나타났다. 평균화학사업에서 공정기술은 사업이 약 79%(일정월) 완료 시 상업시설로 이전되는 반면, 일반적인 생명공학 공정은 57.5% 완료 후 이전된다. 이는 평균적으로 생명공학 프로젝트가 실제 상업적 생산 환경에서 '학습별'의 개발 전략에 더 많이 의존하고 있는 반면 화학 프로젝트에서는 공정이 공장 바닥에 도달하기 전에 더 많은 학습이 이루어지고 있음을 시사할 수 있다.

누군가는 이것이 부분적으로 생명공학과 화학에 기초한 제약생산을 지배하는 규제지침의 차이 때문이라고 주장할 수 있다. 생명공학에서 식품 및 의약품 관리(FDA)는 상업 시설에서 임상 시험의 마지막 단계를 위해 제품 제조에 더욱 중점을 두는 경향이 있다. 하지만, 명심해야 할 두 가지 요인이 있습니다. 첫째, 규제의 차이는 전체 제품 개발 및 규제 제출 일정과 비교하여 공장으로의 기술 이전 시기에 영향을 미친다. 이 분석에 사용된 측정치는 공정 개발 일정의 시간대에 따른 기술 이전 시기이다. 둘째, 화학 및 생명공학 샘플 내 상업용 제조 시설로의 기술 이전 시기에 상당한 차이가 있다. 예를 들어 생명공학 샘플에서는 공정개발 작업이 15% 정도만 완료된 후 1개 프로젝트가 공장으로 이전되었고, 약 90%가 완료된 후 이전된 3개의 다른 프로젝트가 있었다. 화학 프로젝트 샘플의 범위는 48% ~ 96%입니다. 이 정도 규모의 기술 등급 내에서는 엄격한 규제 요건이 아닌 개발 전략 선택이 효과를 발휘하고 있음을 시사한다. 

 

경영진의 선택이 기술 이전 시기에 차이를 유발한다는 추가적인 증거는 샘플에서 동일하거나 밀접하게 일치하는 분자를 포함하는 프로젝트를 분석함으로써 얻을 수 있다. 현재 샘플 내에서, 세 쌍의 프로젝트는 본질적으로 동일한 분자의 개발을 포함한다. 쌍 'A'와 쌍 'B'는 각각 거의 동일한 생명공학 기반 약물에 대한 공정 개발을 포함했고, 쌍 'C'는 거의 동일한 합성 화학 약품 2개에 대한 공정 개발을 포함했다. 중요한 관찰 오류가 없다고 가정할 때, 동일한 쌍 내에서 기술이전 시기의 차이는 규제 요인이나 프로젝트 복잡성의 통제되지 않는 차이보다는 경영진의 선택에 크게 기인해야 한다. 각 쌍에서, 발전소로 기술이전되기 전에 프로젝트가 완료되는 비율에서 상대적으로 큰 차이가 있었다. 쌍 'A'에서는 한 프로젝트가 15% 완료 후 이전되었으며, 나머지 프로젝트는 60% 완료 후 이전되었습니다. 쌍 'B'의 해당 수치는 25%, 57%, 쌍 'C'의 경우 66%, 88%입니다. 통계 분석을 위해 세 쌍이 너무 적지만, 대안 설명에 대한 유용한 '현실 확인'을 제공한다.

  

4.5. Regression analysis

기술이전 전략이 개발비에 미치는 영향을 분석한 후 이 영향이 생명공학과 화학공정기술사업 간에 다른지 여부를 판단하기 위해 다음 모델을 통상적인 최소 제곱을 사용하여 추정하였다. 

 

주요 관심 계수는 B5와 B6, B5는 샘플 내 생명공학 프로젝트의 개발 비용에 대한 기술 이전 시기의 영향 추정치이다. B6, 상호작용 용어의 계수인 B6은 생명공학 효과와 화학제품 효과의 차이를 나타낸다. 앞서 논의한 바와 같이, B5는 생명공학 프로세스 개발에 있어서 학습별 필요성을 반영하여 긍정적일 것으로 예상된다. 가정된 바와 같이, 화학 환경의 지식 구조가 효과적인 성능을 위해 학습별 요구를 덜 한다면, B6은 음수여야 한다.

  

4.6. Results  

회귀 분석의 결과는 표 4에 나와 있습니다. 모델 1-4에는 프로젝트 내용과 복잡성의 차이를 제어하는 변수만 포함됩니다. 높은 수준의 프로젝트 이질성을 고려할 때, 이러한 콘텐츠 변수의 설명력은 놀랍지 않았다. 그러나 프로젝트 내용 및 복잡도 차이를 조정한 후, 표본에서 가장 우수한 프로젝트와 최악의 프로젝트 간의 상당한 개발 비용 차이는 2.70의 요인이었다. 대략 이 정도 크기의 차이

또한 다른 산업에서의 개발 성과에 대한 연구에서도 발견되었다. 이질적인 프로젝트의 작은 샘플과 관련된 방법론적 관심사 중 하나는 내용과 복잡성의 차이를 계속(통제되지 않은) 가능성이다. 물론 이 문제는 이 연구에만 국한된 것은 아니다. 개발 프로젝트의 복잡한 특성을 감안할 때 가능한 모든 변수를 파악하는 것은 사실상 불가능하다. 그러나 앞에서 논의한 밀접하게 일치하는 프로젝트 쌍 내의 개발 비용을 비교한 것은 모델이 그러한 차이점에 대해 합리적으로 잘 제어했다는 것을 의미한다. 각 쌍의 프로젝트는 본질적으로 동일하기 때문에 프로젝트 내용과 기술적 복잡성의 차이는 사실상 제거됩니다. 각 쌍에서 소비되는 개발 시간의 비율은 5:1, 1.09:1 및 2.23:1이었다(따라서, 첫 번째 쌍에서는 한 프로젝트가 다른 프로젝트보다 5배나 더 많은 리소스를 소비하고 거의 동일한 프로젝트). 이 쌍들의 평균 비율은 2.77로, 전체 표본에서 통계적으로 추정된 2.70 비율에 매우 가까운 수치입니다. 이러한 데이터는 프로젝트 성능의 차이가 컨텐츠나 복잡성에 의해서만 좌우되는 것이 아니며, 프로젝트 전략과 실행 역량이 중요하다는 것을 시사합니다.  

 

모델 5는 기술 이전이 전체 프로세스 개발 비용에 미치는 영향을 보여줍니다.

전체 견본 계수는 긍정적이고 통계적으로 유의하며, 이는 나중에 공장에 이전하는 것이 더 높은 개발 비용과 관련이 있음을 나타낸다. 이 결과는 공정기술의 효율적인 개발을 위해 공장 내 학습별 수행이 필요하다는 생각을 확인시켜주는 것으로 보인다.

 

그러나 모델 6과 7은 샘플의 두 기술 클래스에 걸친 개발 비용에 대한 학습별 영향에 대한 추가 통찰력을 제공한다. 두 모델 모두에서 TRANSFER(fls) 계수는 긍정적이고 통계적으로 유의하므로, 생명공학에서 높은 수준의 학습별 학습이 개발 효율에 필수적이라는 것을 보여준다. 가설대로, 상호작용 항에 대한 계수(CHEM × TRANSFER)는 음수(그리고 통계적으로 유의함)로, 화학 기반 프로젝트의 개발 효율에 대한 학습별 중요성이 덜하다는 것을 나타낸다.

 

상호작용 용어에 대한 음의 계수는 화학 물질의 개발 성과가 생명공학에서만큼 학습에 의존하지 않는다는 것을 나타낸다. 이것은 반드시 화학 물질에서 학습-행위가 중요하지 않다는 것을 의미하지는 않는다. r5와 r6의 합(화학 하위 표본의 전체 효과)은 모형 6과 7에서 약간 음수입니다. 그러나 두 경우 모두 합계가 통계적으로 유의하지 않습니다. 이는 강한 학습별(즉, 발전소로 초기 이전)을 수행한 화학 기반 프로젝트가 이전 이전에 대부분의 개발 작업이 발생했던 프로젝트보다 더 나쁜 성능을 발휘하지 못할 수 있음을 나타낸다. 더 많은 통찰력을 얻기 위해, 기술이전 전략과 개발 시간 사이의 관계는 화학 및 생명공학 하위 샘플에 대해 별도로 표시된다(그림 2와 그림 3). 이 그림에서 개발 시간은 프로젝트 복잡성의 차이에 따라 조정됩니다.  

 

 

이 그림들 사이의 차이점은 매우 현저하다. 생명공학 하위표본에서는 조기 기술 이전과 수행별 학습의 필요성이 상당히 명확하다. 생명공학 하위표본에 대한 회귀 분석 결과는 매우 유의합니다(F = 11.37, P = 0.01, R 2 = 0.54). 화학 기반 프로젝트의 패턴은 상당히 다릅니다. 공정 기술이 공장으로 이전된 시기 또는 시기 사이에 개발 효율성 성능(F = 0.02, P = 0.89, R2 = 0.01)과 상관관계가 없었습니다. 여기서 학습별 필요성은 덜 분명하고, 초기 단계에서 공정이 발전소로 이전될 수 있는 체계적인 이점은 없는 것으로 보인다. 화학 합성에서, 학습별 수행은 높은 개발 효율에 필요하지도 충분하지도 않다. 더욱이, 학습 전 학습이 이 분야에서 실행 가능한 문제 해결 전략이지만, 훨씬 더 다양한 접근법을 적용할 여지가 있는 것으로 보인다. 화학 부문에서 개발 성과에 대한 지식의 역할과 기업별 역량에 대한 추가 통찰력을 제공하기 위해, 아래에는 대조적인 예 한 쌍이 간략하게 제공된다.  

 

기술 이전 시점과 합성 화학 세그먼트의 개발 비용 성능 사이의 체계적인 상관관계가 없다는 것은 이러한 맥락에서 접근 방식의 훨씬 더 다양한 여지가 있음을 시사한다. 두 가지 대조적인 사례에 대한 보다 면밀한 분석은 기술이전 시기가 개발 성과에 미치는 영향이 조직 내 역량 중심부의 함수일 수 있음을 시사한다.

 

4.7. Case examples  

4.7.1. Example one: the problems of early transfer  

흥미롭게도, 공장에 가장 빨리 이전한 화학 프로젝트가 가장 높은 개발 비용을 가지고 있었다. 하나의 특이치가 추세를 구성하지는 않지만, 적어도 의문점이 제기됩니다. 즉, 공장 이전이 너무 이른 것일 수 있는가? 이 경우 이전 이전의 개발 부족이 전체 개발 비용 상승에 기여한 것으로 보인다. 비록 회사의 공정 연구 화학자들이 프로젝트의 초기 단계에서 프로젝트에 참여하게 되었고 분자를 발견하는 데 사용된 초기 경로를 발명하는 데 실제로 도움을 주었지만, 상업 생산에 더 적합할 수 있는 대체 합성 경로를 찾기 위한 후속 작업은 거의 수행되지 않았다. 36 합성 경로를 선택한 후 연구 시범 공장에서 그 후 1년 동안 임상실험을 위한 의약품 묶음을 생산하기 위해 사용되었던 것이다. 그 연구 시범 공장은 상업 생산 규모의 약 절반이었다.

 

연구 시범공장에서 상업용 제조현장으로의 공정 이전은 두 가지 이유로 프로젝트 초기에 비교적 일찍 시작되었다. 우선, 생산 현장의 개발 조직은 당시 여분의 엔지니어링 능력을 가지고 있었기 때문에, 그 프로젝트를 더 빨리 시작하기를 원했다. 둘째, 프로세스 기술은 수율이 매우 낮았기 때문에(약 1%) 임상 공급 요건을 충족시키기 위해 추가 확장이 필요할 것이다. 공장의 공정을 담당하는 화학 엔지니어 팀은 이러한 문제들이 규모와 크게 무관하다고 보고했다. 제품이 비교적 적은 양으로 상업적으로 생산될 것으로 예상되었고 상업적인 규모가 연구 파일럿 규모의 약 2배에 불과했기 때문에 스케일 업은 큰 문제가 되지 않았다(반면, 상업적인 생산의 경우 10배 스케일 업이 수반되는 것이 표본에서 전형적이었다). 또한, 발전소의 개발 그룹에 따르면 발생한 몇 가지 스케일업 문제는 충분히 예상된 것이었다. 예를 들어, 한 정화 단계에서는 과거 경험에서 스케일업하기 어려운 것으로 알려진 크로마토그래피를 사용했습니다. 이 단계에 대한 대체 정화 프로세스가 구현되었습니다.

 

주요 스케일업 문제가 없음에도 불구하고 수율, 처리량 시간 및 제조 가능성을 높이기 위해 이전 기간 및 이후의 10단계 공정마다 광범위한 작업이 필요했습니다. 이러한 문제의 대부분은 공정 자체의 화학 작용에 뿌리를 두고 있었으며 이전에 화학 공정 연구소와 생산 중에 확인되었다. 예를 들어, 공정의 두 단계는 사소한 안정성 문제를 가지고 있었고, 다른 단계는 상업적으로 이용할 수 없는 원료를 사용했으며, 또 다른 단계는 정화하기 어려운 중간 물질을 생성했다. 비록 그 공장은 화학자와 화학 기술자를 모두 고용한 매우 강력한 개발 조직을 가지고 있었지만, 그것의 경험은 스케일업과 공정 장비 문제를 해결하는 데 주로 있었다. 이러한 문제들은 규모나 장비 구성보다는 공정의 화학 작용에 뿌리를 두고 있기 때문에, 이 단계에서 개발의 많은 부분은 공정 연구 그룹의 광범위한 지원을 필요로 했다. 결국, 각 단계의 주요 문제가 해결되었고, 공정의 다른 단계에서 추가적인 수율 및 처리량 개선이 구현되었다.

 

프로젝트 참가자들은 공정 연구와 제조 간의 성공적인 협업 사례라고 환영했습니다. 그러나 이 데이터는 이러한 협업에 매우 높은 비용이 들 수 있음을 나타냅니다. 조기 이전으로 인해 프로세스의 추가적인 기술적 문제가 표면화되지 않은 것으로 보입니다. 그러나 (처음에 알려진) 화학 문제를 해결하는 과정에서 공정 연구소의 비교우위를 충분히 활용하는 데 회사가 손해를 보았다. 또한, 합성 경로를 매우 일찍 동결함으로써 조직은 기본적으로 알려진 수율 및 처리량 문제를 가진 기본 프로세스 아키텍처에 전념했습니다. 37 그 다음에는 대체 합성 경로가 처음부터 이러한 요소를 피할 수 있었을 때 프로세스의 개별 구성요소를 최적화하고 문제를 해결하기 위해 광범위한 개발 자원이 사용되어야 했다.

 

4.7.2. Example 2: early transfer and the capability for learning-before-doing

프레임워크의 예측과 반대로, 개발 비용이 가장 낮은 화학 프로젝트는 화학 하위 샘플에서 공장에 가장 빨리 이전한 프로젝트 중 하나였다. 기술 이전 시기에 있어서, 이 프로젝트의 전략은 위에서 설명한 전략과 크게 다르지 않았습니다. 그러나 보다 상세한 조사 결과 이전 당시 공정은 위의 예보다 상당히 발전된 것으로 밝혀졌다. 게다가, 이 회사는 제조 공장에 위치한 강력한 공정 화학 능력을 가진 다른 제약 회사들 사이에서 다소 이례적이었다. 이는 공정이 공장으로 이전된 후에도 기본 공정 화학의 추가적인 개선이 현장에서 수행될 수 있으며 • 재작업을 위해 공정을 공정 연구소로 다시 보낼 필요가 없다는 것을 의미했다.'

 

위에서 설명한 바와 같이, 회사의 공정 연구 화학자들은 프로젝트 초기에 참여하게 되었고 분자를 합성하는 데 발견 화학자들과 협력하게 되었다. 최초의 '발견 경로'는 동물 실험을 위해 소량의 화합물을 만드는 데 사용되었다. 다만, 공정이 복잡하고 실험실 규모에서도 사용하기 어려웠기 때문에 상업생산을 위한 대체경로가 거의 즉각적으로 필요하게 되었다. 따라서 위에서 설명한 프로젝트와는 달리 공정 연구 화학자들은 상업적인 제조에 더 적합한 대체 합성 경로를 계속 모색하였다. 구조적으로 유사한 분자에 대한 경험과 출판된 문헌에서 도출한 프로세스 연구는 이론적으로 우월한 특성을 가질 수 있는 대안적 경로를 도출했다. 그러나 이 경로에 대한 최종 약속은 경로가 실험실에서 광범위하게 테스트되고 시험 공장에서 그 실용성이 입증될 때까지 이루어지지 않았다. 프로젝트에 참여한 프로세스 연구원들은 대체 프로세스를 계속 '낙수'로 보고 있지만, 몇 번의 파일럿 생산 배치 후 조직은 총 수율이 87%(단계당 약 99%)에 육박하는 효율적인 프로세스를 보유하고 있다고 확신했습니다.

 

이후 몇 달 동안, 한 개발자가 이 프로젝트에 대해 인터뷰한 한 개발자가 "공정에서 발생하는 모든 문제의 95%가 확인되었다"고 하는 파일럿 공장에서 이 과정을 추가로 테스트하고 다듬었다. 일단 상업 제조 시설로 이전된 후, 공장의 공정 화학 그룹은 화학에 대한 추가 평가에 착수했고, 다른 합성 방법을 탐색했으며, 공정에 대한 몇 가지 전면적인 파일럿 테스트를 실시했다. 현재 더 나은 합성 경로가 발견되지 않았지만, 공장의 프로세스 화학 그룹은 처리량을 개선하기 위해 공정 단계를 결합하고 공정을 생산 공장의 특이성과 운영 환경 규제 제약 조건에 적응시키는 방법을 연구했다. 이는 비교적 사소한 프로세스 변경 사항으로 간주되었으며 광범위한 리소스를 사용하지 않았습니다. 공정 확장, 생산 전환 또는 원하는 수준의 상업적 성과 달성에서 주요 문제(예상 또는 예상치 못한 문제)는 보고되지 않았다. 

 

따라서 두 가지 요인이 이 사례를 구별하고 조기 이전이 개발 비용을 높이지 않은 이유를 설명하는 데 도움이 되는 것으로 보인다. 첫째, 회사의 공정 개발 전략은 바람직하지 못한 노선을 최적화(또는 수정)하려고 하기보다는 상업 생산에서 실현 가능한 고성능 합성 노선을 선택하는 데 초점을 맞췄다. 견고한 프로세스 아키텍처는 상업적인 생산으로 더 빠르고 원활하게 이전할 수 있는 토대를 마련했습니다. 둘째, 공장의 강력한 공정 화학 능력은 생산을 이전하고 시작한 후에도 공정의 기본 화학을 계속 발전시키고, 정제하며, 필요하다면 변화시킬 수 있다는 것을 의미했다.

 

5. Conclusion

제조업은 광범위한 개발이 이루어져야 하는 곳인 R&D 실험실의 원활한 확장이어야 한다는 생각이 최근 몇 년간 신뢰를 얻고 있다. 제시된 결과는 이 처방전이 특정 유형의 기술 환경에서 유익할 가능성이 높지만 전부는 아니라는 것을 분명히 보여준다. 심층적인 이론적 지식과 상당한 실제 경험의 축적이 특징인 화학약품과 같은 환경에서는 개발자들이 공장에서 실제로 작업을 하지 않고도 제조 문제를 예측하고 대응할 수 있기 때문에 개발에서 공장의 역할은 중요하지 않을 수 있다. 일반적으로 덜 성숙한 이론적 토대 및 덜 축적된 실제 지식으로 특징지어지는 생명공학 같은 신흥 기술에서 발전소는 중요한 발전의 장이 될 수 있다. 이러한 환경에서는 개발자가 실제 생산 환경에서 실제로 작업을 수행하지 않고 제조 관련 문제를 예측하고 대응하기란 불가능하다. 그러므로 발전소의 역할과 조직 내 개발 역량의 중심은 기술 수명 주기에 따라 달라질 수 있다.

 

독자들은 개발자들이 제조상의 우려를 무시하거나 제조 불가능한 공정들을 포기한 채 개발할 수 있음을 암시하는 결과로 오해하지 않도록 주의한다. 모든 맥락에서, 기술이 성숙하든 미숙하든 개발자들은 제조상의 우려를 이해할 필요가 있다. 연구 결과는 단지 특정 환경에서 공정 개발자가 공장에서 실제로 작업을 수행하지 않고도 제조 문제를 예측하고 대응할 수 있다는 것을 보여준다. 이러한 환경에서, 수행되어야 하는 대부분의 학습은 공정이 발전소로 이전되기 전에 이루어질 수 있다.

 

그 결과 개발 및 제조 전략 모두에 대한 몇 가지 중요한 시사점이 드러났습니다. 하나는 수직적 통합과 사내 제조의 역할과 관련이 있다. 최근 몇 년 동안, 기업, 특히 신흥 기술 산업의 젊은 조직들이 외부 파트너나 계약업체를 제조업에 활용하는 경향이 있어왔다. 이것은 한 사람의 '핵심 역량'에 초점을 맞춘다는 생각과 일치하는 것으로 보인다. 그러나 여기에 제시된 결과는 그러한 제조 전략이 비용이 많이 들 수 있음을 시사한다. 프로세스 기술의 특이성이 완전히 이해되지 않고, 개발 활동이 공장과 밀접하게 연결되어야 하는 것은 바로 이러한 신흥 기술에서이다.  

 

두 번째 제조 전략 문제는 용량과 설비 계획에 관한 것입니다. 높은 개발 생산성에 학습별 수행이 절대적으로 필수적인 생명공학 같은 환경에서는 상업적인 생산 요건을 지원하기 위해 필요한 훨씬 전에 물리적 공장 및 장비를 설치해야 하며 공장 내 개발을 지원하기 위해 일부 과잉 상업적 제조 능력을 용인해야 할 수 있다. 이러한 전략은 개발 비용과 위험을 모두 가중시킵니다.

또한 생명공학 같은 환경에서 비교적 높은 수익을 올릴 수 있다. 다목적 또는 유연한 제조 공장을 사용하면 초기 기술 이전 시 필요한 자본 위험을 줄일 수 있습니다. 이와는 대조적으로, 발전소로 늦게 이전하는 것은 비용이 많이 들지 않는 상황에서, 기업들은 그것을 설계하고 설치하기 위해 더 오래 기다릴 수 있기 때문에 제품 특정 장비를 사용할 위험이 적다.

 

추가 탐사에 대한 흥미로운 쟁점은 기업이 프로세스 기술에 대한 과학적 지식 기반을 구축하는 방법에 관한 것이다. 분명히, 어떤 산업에서는 공개적으로 확산된 과학 연구가 중요한 역할을 한다. 단, 사례에서 제시된 바와 같이, 실행 전에 학습할 수 있는 능력은 확정적일 수 있다. 생명공학 내에서도 개별 기업이 미래 공정 개발을 위한 과학적 지식 기반을 구축하는 정도에 차이가 있었다. 흥미로운 역학이 작용하고 있을지도 모른다. 공장 외부에서 프로세스를 개발하고 시뮬레이션할 수 있는 능력을 갖추기 위해, R&D 실험실은 기술에 대한 심층적인 과학적 지식과 공장이 실제로 운영되는 방법에 대한 자세한 지식이 필요합니다. 안정적인 생산 환경은 거의 없습니다. 공장이 가동되면서 학습이 이뤄지고 환경이 변한다. 프로세스를 시뮬레이션하고 생산 요구를 예측할 수 있는 능력을 유지하려면 생산에서 다시 R&D로 피드백하는 것이 중요합니다. 이 제안이 사실이라면, 기업의 연구개발 지식기반의 장기적 풍요로움 측면에서 연구개발과 제조 간 긴밀한 접촉의 가치가 실현된다는 것을 시사한다. 분명히 이 문제는 조직 역량이 어떻게 발전하는지 뿐만 아니라 개발 프로젝트와 프로세스의 관리에도 중대한 영향을 미치기 때문에 추가적인 연구를 할 가치가 있다.