揚聲器 | 成績單 |
| 希斯·拉什 | 我的名字是希斯·拉欣。 我是 Adsurgo 的負責人，我們是一家培訓和諮詢公司，與許多不同的公司合作。 |
| 今天早上，我將談談我在製藥和生物製藥公司工作的一些經歷。 |
| 許多科學家和工程師正在從事工藝和產品開發以及表徵配方優化等工作。 |
| 我發現的是很多這樣的......很多科學家都有他們過去使用過的類似產品、工藝或配方的設計。 |
| 他們所做的是向前邁進，他們只是說，“嘿，讓我採用我過去使用過的設計。 |
| 有效。 你知道，它在過去運作良好。 因此，讓我們繼續使用該設計。” |
| 在每一個例子中，我們所做的都是採用原始設計，並提出某種機制來做一些不同的事情。 正確的。 我們要么用一個增強它 |
| 具有不同類型的優化標準，或者我們在他們添加運行之前或添加運行之後對其進行了增強。 |
| 在第一種情況下，我們所做的是，我們構建了混合設計。 正確的。 然後第一個案例是產品配方...對不起...配方優化問題， |
| 過去一位科學家運行過...進行了 30 次 Scheffe-Cubic 混合物設計。 在混合設計中， |
| 過程參數是變量，是實驗中的因素，是混合物。 然後，總混合物加起來達到 100% 時存在一定的百分比。 |
| 是的，他們覺得這個效果足夠好，並幫助他們找到配方的最佳設置。 然而，他們真正想進一步探討的一件事是，他們說，你知道， |
| 這些設計傾向於在我們的實驗中關注邊緣附近的設計點。 而我們想做的是進一步表徵設計空間。 |
| 所以我們採用了最初的 30 次運行設計，我們沒有這樣做，而是運行了一個我們...我們開發了一個實驗，構建了我們運行 18 次的實驗 |
| 混合實驗，然後我們用 12 空間填充設計對其進行了增強。 空間填充設計在計算機模擬中被大量使用。 |
| 事實上，你知道，我有一次在一次會議上說過這一點，我說，“你知道它是用來填補空間的。” 但這些設計實際上是做什麼的，我將把兩者進行比較， |
| 它會放置設計點嗎？ 在這一篇中，我嘗試最小化每個設計點之間的距離。 |
| 正如您在左側看到的設計，他們認為足夠好或足夠的設計是 30 次混合設計。 正如您所看到的，它在設計的邊緣和中心附近運行很多。 右邊那個真的是 |
| 18 個混合物設計點增加了 12 個空間填充設計點。 所以它實際上是一種混合設計，它實際上是混合設計和空間填充設計的混合。 |
| 正如你所看到的，你知道，基於他們試圖描述的目標 |
| 那個設計空間好一點，正如你所看到的，右邊的那個在描述那個設計空間方面做得更好，對吧？ 它有足夠的預測方差。 這是他們選擇運行的一個設計，他們找到了一個，並從中找到了最佳解決方案 |
| 第二個設計選擇 |
| 是的，這在過程表徵中被經常使用，早在很久以前，很多人在過程表徵方面使用實驗設計， |
| 許多科學家會做的是，他們會像設定點一樣進行中心點運行 |
| 然後還進行所謂的 PAR 運行，或經過驗證的可接受範圍，對吧。 可以說他們有四個工藝參數。 他們要做的是將三個工藝參數保持在設定點，並讓第四個工藝參數保持在設定值 |
| 走向極端。 最低值和最高值。 他們會為每個過程參數做一組類似的實驗。 |
| 他們真正展示的是，你知道，如果一切都在設定點，並且其中一個在邊緣附近偏離， |
| 然後我們只需證明它完全符合規範。 正確的。 所以他們仍然喜歡進行很多這樣的跑步。 |
| 我開始的設計是，我有一位科學家獲取了這些 PAR 和那些中心點運行，並在構建了最佳設計後添加了它們。 |
| 我的最優設計用於預測和優化。 在這種情況下，這就是他們想要的設計，但他們在最佳設計之後添加了它們。 |
| 我向他們提出的問題是，為什麼不在構建最佳設計之前進行這些運行並添加它們呢？ 如果真是這樣的話， |
| 這 ？？？ JMP 中的算法會說：“你知道，我將採用這些點，然後得出下一組最佳運行。” |
| 正確的。 因此，我們採用了這 18 個設計點，然後又添加了 11 個……抱歉，這 11 個……原來的 11 個設計點和 18 個最佳點。 每當我們這樣做時，如果您查看設計，就會發現，這就是添加 PAR 運行的地方...... |
| 在之前添加，您會看到主效應的力量，在因子相互作用中，二次效應比您之後添加 PAR 運行時更高。 您會看到生產差異， |
| 如果你看一下預測方差，就會發現預測方差非常相似。 但你看，就像就在設計空間的邊緣附近，你看到那些 |
| 每當我們用 I 最優增強 PAR 運行時，PAR 運行就會小得多。 |
| 這裡的關鍵是，每當我查看相關性時，我都認為相關性，特別是在PAR 增強和兩個I 最優的情況下，與他們之前所做的相比，主要效果要好得多，他們之前採用了I 最優，並且只是通過 PAR 運行增強了這些。 |
| 第三個設計。 第三個設計是當我讓一位科學家進行 17 次運行 D 最優設計時，他們用 8 次運行對其進行了增強，並從 D 變為 I 最優設計。 |
| 現在他們從 D 最優設計（一種篩選設計）開始，他們用點對其進行了增強，以轉向 I 最優設計。 聯合管理計劃 |
| 有一個...這並不是一個真正的新設計，但它是 JMP 的新設計；這就是所謂的最佳設計。 以及優化設計 |
| 允許您權衡這些因素中的任何一個。 正確的。 所以我有了一個主意。 我只是說，“你知道，過去我有很多次從 D |
| 增強為 I 最優設計。 如果我們這樣做怎麼辦？ 真的，如果我們採用最初的 17 次運行 D 優化設計並將其增強為 I，然後是 A，我們對這些二次項進行加權，會怎樣？ |
| 或者我們採用 D 最優設計，將其增強為 A 最優設計，其中我們對二次項進行加權，然後是 I 最優設計？” 所以這實際上是兩種不同的增強，從 D 到 A 再到 I， |
| D 到 I 到 A。 也直接從D到A。 正確的。 我想將它與最初的設計選擇進行比較 |
| D 與 I 優化設計。 現在，我真的很想告訴你我的想法是有效的。 但我認為作為一名優秀的統計學家，我應該告訴你，我認為事實並非如此。 |
| 如果我看一下預測方差，就響應面設計而言，我們試圖最小化整個設計區域的預測方差， |
| 您是否看到他們原始設計的預測方差較低。 好吧，甚至比我做 A 最優設計時還要低得多，直接做 A 最優設計。 |
| 如果您查看設計空間的比例，您會發現整個設計空間的預測方差比 A 最優設計小得多，並且比我從 D 到 A 到 I 時要好一點， |
| 以及 D 到 I 到 A。 與其他設計選擇相比，我看到原始設計的唯一缺點是，你知道，存在一些二次效應，對，存在一些二次效應 |
| 相關性有點高，相關性比我希望看到的高一些。 你會看到什麼是最佳設計，它的二次效應要低得多。 所以我原來的論文 |
| 很多時候，科學家和工程師都有他們過去做過的設計。 |
| 我總是說，我們只是不想做與過去相同的設計，這是有道理的。 讓我們嘗試一些不同的東西。 |
| 產品可能略有不同。 該過程可能略有不同。 配方可能略有不同。 如果您使用它與原始設計進行比較，您可以選擇最佳的設計選擇。 |
| 最後，我要感謝 Adsurgo 的團隊成員。 |
| 您知道，我們總是有團隊成員和我們的客戶……我們的客戶提出了具有挑戰性的問題，而我們的團隊成員始終致力於為客戶提供最佳解決方案。 |
| 現在，我要做的最後一件事是，這些設計確實非常非常取自客戶的示例，但它們並不是確切的示例。 他們的數據什麼也沒有。 |
| 因此，我想向我的一位來自 Poseida Therapeutics 的客戶 Sean Essex 表示感謝，他經常會遇到一些非常棘手的問題，有時甚至會遇到一些問題。 |
| 他會想出一個問題。 我會說，你知道，這是一個解決方案，而且我們還沒有見過。 所以 |
| 祝你有美好的一天。 |
