Vocero | Transcripción |
| brezo corriendo | Mi nombre es Heath Rushing. Soy director de Adsurgo y somos una empresa de capacitación y consultoría que trabaja con muchas empresas diferentes. |
| Esta mañana voy a hablar de algunas experiencias que tuve trabajando con empresas farmacéuticas y biofarmacéuticas. |
| Muchos científicos e ingenieros están haciendo cosas como el desarrollo de procesos y productos y la optimización de la formulación de caracterización. |
| Y lo que encontré es que muchos de estos... muchos de estos científicos tenían diseños que usaron en el pasado con un producto, proceso o formulación similar. |
| Y lo que hicieron fue seguir adelante, simplemente dijeron: "Oye, déjame tomar ese diseño que he usado en el pasado". |
| Funcionó. Ya sabes, funcionó bastante bien en el pasado. Así que sigamos adelante y usemos ese diseño". |
| En cada uno de estos casos, lo que hicimos fue tomar el diseño original y crear algún tipo de mecanismo para hacer algo un poco diferente. Bien. O lo aumentamos con un |
| con un tipo diferente de criterio de optimización o lo aumentamos antes de que agregaran ejecuciones o después de que agregaran ejecuciones. |
| En el primer caso, lo que hicimos fue construir un diseño híbrido. Bien. Y luego el primer caso fue la formulación de un producto... lo siento... un problema de optimización de la formulación, |
| donde se dirigió un científico en el pasado... tenía un diseño de mezcla Scheffe-Cubic de 30 ejecuciones. En un diseño de mezcla, |
| los parámetros del proceso son variables son factores en el experimento son mezclas. Y luego, hay un cierto porcentaje en el que la mezcla general suma 100%. |
| Bien, sintieron que esto funcionaba bastante bien y les ayudó a encontrar una configuración óptima para la formulación. Sin embargo, una cosa sobre la que realmente querían tocar más es, dijeron, ya sabes, |
| Estos diseños tendieron a mirar puntos de diseño en nuestro experimento cerca de los bordes. Y lo que queremos hacer es caracterizar aún más el espacio de diseño. |
| Así que tomamos el diseño original de 30 ejecuciones y, en lugar de hacer eso, lo que hicimos fue ejecutar... desarrollamos un experimento construyendo el experimento en el que ejecutamos 18. |
| Experimentamos con mezclas y luego lo aumentamos con un diseño de relleno de 12 espacios. Y un diseño de relleno de espacio se usa mucho en simulaciones por computadora. |
| Y realmente, ya sabes, dije esto una vez en una conferencia: "Sabes, se usa para llenar el espacio". Pero realmente lo que hacen estos diseños, y voy a hacer la comparación de los dos, |
| es que va a poner puntos de diseño. En este, trato de minimizar la distancia entre cada uno de los puntos de diseño. |
| Como puede ver en el diseño de la izquierda, el que pensaron que era lo suficientemente bueno o adecuado fue el diseño de mezcla de 30 ejecuciones. Y como puede ver, opera mucho cerca de los bordes y justo en el centro del diseño. El de la derecha era realmente |
| 18 puntos de diseño de mezcla aumentados con 12 puntos de diseño de relleno de espacio. Entonces es realmente un diseño híbrido, es realmente un híbrido de un diseño de mezcla y un diseño de relleno de espacio. |
| Como puedes ver, ya sabes, basándose en su objetivo de intentar caracterizar |
| ese espacio de diseño un poco mejor, como pueden ver, el de la derecha hizo un trabajo mucho mejor al caracterizar ese espacio de diseño, ¿verdad? Tenía una variación de predicción adecuada. Fue un diseño que eligieron ejecutar y encontraron una solución óptima a partir de esto. |
| La segunda opción de diseño. |
| Era, y esto se usa mucho, en la caracterización de un proceso, en los viejos tiempos, antes de que mucha gente usara el diseño de experimentos en términos de caracterización de procesos. |
| Lo que muchos científicos harían sería ejecutar recorridos del punto central como su punto de ajuste. |
| y luego también hacer lo que se llama carreras PAR, o rango aceptable probado, correcto. Digamos que tenían cuatro parámetros de proceso. Lo que harían es mantener tres de los parámetros del proceso en el punto de ajuste y tener el cuarto |
| ir a los extremos. El valor más bajo y el valor más alto. Y lo harían para cada uno... harían una serie de experimentos como ese para cada uno de los parámetros del proceso. |
| Lo que realmente están mostrando es que, ya sabes, si todo está en el punto establecido y uno de estos se desvía cerca de los bordes, |
| entonces simplemente vamos a demostrar que está dentro de las especificaciones. Bien. Y por eso todavía les gusta hacer muchas de estas carreras. |
| El diseño con el que comencé fue que tenía un científico que tomó esos PAR y esos recorridos de puntos centrales y los agregó después de construir un diseño óptimo. |
| Y el diseño óptimo se utiliza para predicción y optimización. Y en este caso, ese es el tipo de diseño que querían, pero los agregaron después del diseño óptimo. |
| Mi pregunta para ellos fue la siguiente: ¿por qué no toman esas ejecuciones y las agregan antes de crear el diseño óptimo? Si ese fuera el caso, |
| el ??? El algoritmo en JMP diría: "Sabes, voy a tomar esos puntos y encontraré el siguiente mejor conjunto de ejecuciones". |
| Bien. Así que tomamos esos 18 puntos de diseño y los aumentamos con 11 más... Lo siento, los 11 a... los 11 puntos de diseño originales y los 18 puntos óptimos. Siempre que hicimos esto, si miras el diseño, aquí es donde se agregaron las ejecuciones PAR... |
| se agregaron antes, y ve que el poder de los efectos principales, en las interacciones de factores, los efectos cuadráticos son mayores que si agregara las ejecuciones PAR después. Ves que la variación de producción, |
| Si observa la varianza de la predicción, la varianza de la predicción es muy similar. Pero verás, justo cerca del borde de los espacios de diseño, ves que esos |
| Las ejecuciones de PAR, siempre que aumentamos las ejecuciones de PAR con I óptimo, fueron mucho más pequeñas. |
| La clave aquí es que cada vez que miraba la correlación, creo que la correlación, especialmente con los efectos principales, es mucho mejor con el aumento de PAR y dos I óptimo en comparación con lo que hicieron antes, donde tomaron el I óptimo y simplemente aumentado aquellos con las carreras PAR. |
| El tercer diseño. El tercer diseño fue cuando le pedí a un científico que tomara un diseño óptimo D de 17 corridas y lo aumentaron con ocho corridas y pasaron de un diseño óptimo D a un I. |
| Ahora comenzaron con el diseño óptimo D, un diseño de detección, lo aumentaron con puntos para pasar a un diseño óptimo I. JMP |
| tiene un tiene un... no es realmente un diseño nuevo, pero es un nuevo diseño para JMP; se llama Un diseño óptimo. Y un diseño óptimo |
| le permite ponderar cualquiera de esos factores. Bien. Y entonces tuve una idea. Solo dije: "Sabes, muchas veces en el pasado pasé de una D |
| aumentado a un diseño óptimo. ¿Y si hiciéramos esto? Realmente, ¿qué pasaría si tomáramos ese diseño óptimo original de 17 corridas D y lo aumentaramos a I, luego a A, donde ponderamos esos términos cuadráticos? |
| ¿O tomamos el diseño óptimo D, lo aumentamos a un diseño óptimo A donde ponderamos los términos cuadráticos y luego a un diseño óptimo I? Entonces son realmente dos aumentos diferentes, yendo de una D a una A a una I, |
| y D a una I a una A. También pasó directamente de D a A. Bien. Y quería compararlo con la elección de diseño original, que era |
| un diseño óptimo D versus un I. Ahora, realmente me gustaría decirles que mi idea funcionó. Pero creo que, como buen estadístico, debo decirles que no creo que haya sido así. |
| Si miro la varianza de predicción, que, en términos de diseño de superficie de respuesta, estamos tratando de minimizar la varianza de predicción en toda la región de diseño, |
| Si ve que la variación de predicción para su diseño original es menor. Bien, incluso mucho más bajo que cuando hice el diseño A óptimo, directamente al diseño A óptimo. |
| Si observa la fracción del espacio de diseño, verá que la varianza de predicción es mucho menor en todo el espacio de diseño que el diseño óptimo A y es un poco mejor que cuando pasé de D a A a I. |
| y D a I a A. El único aspecto negativo que vi en el diseño original en comparación con las otras opciones de diseño fue que había algunos efectos cuadráticos, cierto, hubo algunos efectos cuadráticos. |
| eso tenía una correlación un poco más alta, una correlación un poco más alta de la que me gustaría ver. Y ves lo que es un diseño óptimo, tiene efectos cuadráticos mucho más bajos. Entonces mi tesis original. |
| Muchas veces, los científicos e ingenieros tienen diseños que han realizado en el pasado. |
| Y siempre digo que tiene sentido que simplemente no queramos hacer el mismo diseño que hemos hecho en el pasado. Probemos algo diferente. |
| El producto puede ser un poco diferente. El proceso puede ser un poco diferente. La formulación puede ser un poco diferente. Si usa eso para comparar con el diseño original, puede elegir su mejor opción de diseño. |
| Me gustaría, ya sabes, lo último que me gustaría agradecer a los miembros de mi equipo en Adsurgo. |
| Siempre tenemos, ya sabes, miembros del equipo y también nuestros clientes... nuestros clientes plantean problemas desafiantes y los miembros de nuestro equipo siempre trabajan para encontrar soluciones óptimas para nuestros clientes. |
| Ahora, lo último que tengo que hacer es que estos diseños realmente se tomaron de ejemplos de clientes, pero no eran los ejemplos exactos. No hay nada con sus datos. |
| Así que me gustaría felicitar a uno de mis clientes, Sean Essex, de Poseida Therapeutics, que a menudo tiene problemas muy difíciles y, a veces, |
| se le ocurrirá un problema. Y yo diré, ya sabes, esta es una solución y es algo que realmente ni siquiera hemos visto todavía. Entonces |
| qué tengas un lindo día. |
