スピーカー | 成績証明書 |
| ヒース・ラッシング | 私の名前はヒース・ラッシングです。 私は Adsurgo の社長で、さまざまな企業と協力するトレーニングおよびコンサルティング会社です。 |
| 今朝は、私が製薬会社やバイオ医薬品会社で働いた経験についてお話します。 |
| 多くの科学者やエンジニアは、プロセスや製品の開発、特性評価配合の最適化などの業務に取り組んでいます。 |
| そして私が発見したのは、これらの多くがこれらの科学者であるということです...これらの科学者の多くは、過去に同様の製品、プロセス、配合で使用した設計を持っていました。 |
| そして彼らがしたのは、前進することでした、彼らはただ言ったのです、「ねえ、私が過去に使用したそのデザインをそのまま使わせてください。」 |
| 出来た。 ご存知のとおり、以前は十分に機能していました。 それでは、このデザインを使用してみましょう。」 |
| これらのそれぞれの例で、私たちが行ったのは、元のデザインを採用し、少し異なることを行うための何らかのメカニズムを考案したことです。 右。 それを次のように拡張しました。 |
| 別の種類の最適化基準を使用するか、実行を追加する前または実行を追加した後にそれを強化しました。 |
| 最初のケースでは、私たちが行ったことは、ハイブリッド設計を構築したことです。 右。 そして、最初のケースは製品の配合でした...申し訳ありませんが...配合の最適化の問題でした。 |
| 過去に科学者が実験を行った場所では...30 実験のシェフェ・キュービック混合物設計が行われていました。 ミックスデザインで、 |
| プロセスパラメータは変数であり、実験における要素は混合物です。 そして、混合物全体の合計が 100% になる特定の割合が存在します。 |
| そうです、彼らはこれが十分にうまく機能し、配合のための最適な設定を見つけるのに役立つと感じました。 しかし、彼らが本当にもっと触れたかったことが 1 つあるのです。彼らはこう言いました。 |
| これらのデザインは、実験のエッジ近くのデザイン ポイントに注目する傾向がありました。 そして私たちがやりたいのは、デザイン空間をさらに特徴づけることです。 |
| そこで、元の 30 回の実行計画を採用し、その代わりに、18 回実行した実験を構築する実験を開発しました。 |
| 混合実験を行い、それを 12 個の空間充填デザインで強化しました。 空間充填デザインは、コンピューター シミュレーションでよく使用されます。 |
| そして実際、私はあるときカンファレンスでこう言いました、「スペースを埋めるために使われていることはご存知でしょう」。 しかし、これらのデザインが実際に何をするのか、そしてこの 2 つの比較を取り上げてみましょう。 |
| デザインポイントを入れていきます。 この例では、各設計点間の距離を最小限に抑えようとしています。 |
| 左側のデザインに見られるように、十分である、または十分であると彼らが考えたのは、30 ランの混合物デザインでした。 ご覧のとおり、それはデザインの端付近と中心部で多く機能します。 右にあるのは本当にそうでした |
| 18 の混合設計ポイントに 12 の空間充填設計ポイントが追加されました。 つまり、これは実際にはハイブリッド デザインであり、混合デザインと空間充填デザインのハイブリッドなのです。 |
| ご覧のとおり、特徴づけようとする彼らの目的に基づいて、 |
| ご覧のとおり、右側のデザイン スペースはそのデザイン スペースの特徴をよりうまく表現しています。 十分な予測分散がありました。 それは彼らが実行することを選択した設計であり、彼らはそこから最適なソリューションを見つけました |
| 2番目のデザインの選択 |
| これはプロセスの特性評価でよく使われていましたが、その昔、多くの人がプロセスの特性評価の観点から実験計画法を使用する前に遡ります。 |
| 多くの科学者がすることは、設定点と同じように中心点の実験を実行することでした |
| そして、いわゆる PAR 実行、または証明された許容範囲内での実行も実行します。 つまり、プロセス パラメータが 4 つあったとします。 彼らが行うことは、3 つのプロセスパラメータを設定値に維持し、4 番目のパラメータを設定することです。 |
| 極端に行きます。 最低値と最高値。 そして、彼らはそれぞれについてそれを行いました...彼らはプロセスパラメータごとにそのような一連の実験を行いました。 |
| 彼らが実際に示しているのは、すべてが設定値に達していて、そのうちの 1 つがエッジ近くで逸脱した場合、 |
| あとは、それが仕様の範囲内であることを証明するだけです。 右。 そして、彼らは今でもこのようなランニングを頻繁に行うことを好みます。 |
| 私が最初に始めた設計は、これらの PAR とそれらの中心点の実行を取得する科学者がいました。彼らは、最適な設計を構築した後にそれらを追加しました。 |
| そして、予測と最適化のために最適設計が使用されます。 この場合、彼らが望んでいたのはそのようなデザインでしたが、最適なデザインの後に追加されました。 |
| 彼らへの私の質問は、最適な設計を構築する前に、これらの実行を取得して追加したらどうですか?というものでした。 そうだとしたら、 |
| ??? JMP のアルゴリズムは、「これらのポイントを取得して、次に最適な実行セットを考え出すつもりです。」と言うでしょう。 |
| 右。 そこで、これら 18 個の設計ポイントをさらに 11 個で拡張しました...申し訳ありませんが、11 から...元の 11 個の設計ポイントと 18 個の最適なポイントです。 これを行うたびに、デザインを見てみると、これが PAR 実行が追加された場所です... |
| が前に追加されており、因子交互作用における主効果のパワーが、後に PAR 実行を追加した場合よりも二次効果が高いことがわかります。 生産上の差異がわかります。 |
| 予測分散を見ると、予測分散は非常に似ています。 しかし、ほら、それはデザイン空間のすぐ近くにあるようなもので、それらは |
| PAR 実行に I 最適値を追加した場合、PAR 実行はずっと小さくなりました。 |
| ここで重要なのは、相関関係を調べているときは常に、PAR 増強と 2 つの I 最適化を使用した場合の相関関係、特に主効果との相関関係が、以前に行った I 最適化と適切な調整と比べてはるかに優れていると思うということです。 PAR の実行でそれらを強化しました。 |
| 3つ目のデザイン。 3 番目の設計は、科学者に 17 回の実行 D 最適設計を作成してもらい、それを 8 回の実行で拡張して D から I 最適設計に移行したものでした。 |
| 現在、彼らは D 最適設計 (スクリーニング設計) から始めて、I 最適設計に移行するためのポイントを追加しました。 JMP |
| これは実際には新しいデザインではありませんが、JMP の新しいデザインです。それは最適設計と呼ばれます。 そして最適な設計 |
| これらの要素のいずれかを重み付けすることができます。 右。 そこで私はアイデアを思いつきました。 私はただ言いました、「ご存知のように、私は過去に何度もDから落ちました。 |
| I 最適設計に拡張されます。 これをやったらどうなるでしょうか？ 実際、元の 17 実行の D 最適設計を I、次に A に拡張して、二次項の重み付けを行ったらどうなるでしょうか。 |
| それとも、D 最適設計を採用し、二次項に重み付けを行った A 最適設計に拡張してから、I 最適設計にしたのでしょうか?」 つまり、実際には D から A、そして I への 2 つの異なる拡張です。 |
| D から I へ、そして A へ。 ストレートDからAにも行きました。 右。 そして、それを元のデザインの選択と比較したかったのです。 |
| D と I の最適設計。 さて、私のアイデアがうまくいったことを本当にお伝えしたいと思います。 しかし、優れた統計学者として、私はそうではないと思っていると申し上げるべきだと思います。 |
| 応答曲面設計の観点から予測分散を見ると、設計領域全体で予測分散を最小化しようとしています。 |
| 元の設計の予測分散がより低いことがわかります。 わかりました。A 最適設計を行ったときよりもはるかに低くても、そのまま A 最適設計に進みます。 |
| 計画空間の割合を見ると、計画空間全体で予測分散が最適計画 A よりもはるかに小さく、D から A、そして I に移行したときよりもわずかに優れていることがわかります。 |
| そしてDからI、Aへ。 他のデザインの選択と比較して、元のデザインで私が見た唯一のマイナス点は、ご存知のとおり、二次効果がいくつかあったことです、そう、二次効果がいくつかあったことです |
| それは、私が期待していたよりも少しだけ高い相関関係を持っていました。 そして、最適な設計がどのようなものであるかがわかりますが、二次効果がはるかに低くなります。 それで、私のオリジナルの論文は |
| 多くの場合、科学者やエンジニアは過去に行った設計を持っています。 |
| 私がいつも言っているのは、過去にやったのと同じデザインをやりたくないのは当然だということです。 何か違うことを試してみましょう。 |
| 製品とは多少異なる場合があります。 プロセスは少し異なる場合があります。 配合は少し異なる場合があります。 それを使用して元のデザインと比較すると、最適なデザインを選択できます。 |
| 最後に、Adsurgo のチームメンバーに感謝したいと思います。 |
| ご存知のとおり、私たちには常にチームメンバーと顧客がいます...顧客は困難な問題を思いつき、チームメンバーは常に顧客のための最適なソリューションを求めて働いています。 |
| さて、最後に私がしなければならないことは、これらのデザインは実際に顧客の例から取られたものであるかということですが、それらは正確な例ではありません。 彼らのデータには何もありません。 |
| そこで、私の顧客の 1 人である Poseida Therapeutics の Sean Essex にエールを送りたいと思います。彼はしばしば非常に難しい問題を抱え、時には |
| 彼は問題を思いつくだろう。 そして、これは解決策であり、実際にはまだ見ていないものだと言います。 それで |
| すてきな一日を。 |
