스피커 | 성적 증명서 |
| 히스 러싱 | 내 이름은 히스 러싱이에요. 저는 Adsurgo의 교장이며 우리는 다양한 회사와 협력하는 교육 및 컨설팅 회사입니다. |
| 오늘 아침에는 제약회사와 바이오제약회사에서 일하면서 겪었던 몇 가지 경험에 대해 이야기하겠습니다. |
| 많은 과학자와 엔지니어가 프로세스 및 제품 개발, 특성화 공식 최적화와 같은 작업을 수행하고 있습니다. |
| 그리고 제가 발견한 것은 이런 것들이 많다는 것입니다. 많은 과학자들이 과거에 유사한 제품이나 프로세스 또는 제제에 사용했던 디자인을 가지고 있었습니다. |
| 그리고 그들이 한 일은 앞으로 나아가는 것이었습니다. 그들은 단지 "이봐, 내가 과거에 사용했던 그 디자인을 가져가자."라고 말했습니다. |
| 효과가 있었습니다. 아시다시피, 과거에는 충분히 잘 작동했습니다. 그러니 계속해서 그 디자인을 사용합시다." |
| 이러한 각각의 경우에 우리가 한 일은 원래 디자인을 가져와 조금 다른 작업을 수행하기 위한 일종의 메커니즘을 생각해낸 것입니다. 오른쪽. 우리는 그것을 |
| 다른 종류의 최적화 기준을 사용하거나 실행을 추가하기 전이나 실행을 추가한 후에 이를 강화했습니다. |
| 첫 번째 경우에 우리가 한 일은 하이브리드 디자인을 구축한 것입니다. 오른쪽. 그리고 첫 번째 사례는 제품 배합...죄송합니다...배합 최적화 문제, |
| 과거에 한 과학자가 근무했던 곳에서는...30런의 Scheffe-Cubic 혼합물 설계가 있었습니다. 믹스디자인에서는 |
| 공정 매개변수는 변수이고 실험의 요인은 혼합물입니다. 그리고 전체 혼합물의 합이 100%가 되는 특정 비율이 있습니다. |
| 그렇습니다. 그들은 이 효과가 충분히 좋다고 느꼈고 제형에 대한 최적의 설정을 찾는 데 도움을 주었습니다. 하지만 그들이 정말로 더 다루고 싶었던 한 가지는, 아시다시피, |
| 이러한 디자인은 실험에서 가장자리 근처의 디자인 포인트를 보는 경향이 있었습니다. 그리고 우리가 하고 싶은 것은 디자인 공간을 더욱 특성화하는 것입니다. |
| 그래서 우리는 원래의 30번 실행 설계를 채택하고 그 대신에 우리가 한 것은...우리는 18번 실행한 실험을 구성하는 실험을 개발했습니다. |
| 혼합물 실험을 거쳐 이를 12개의 공간 채우기 디자인으로 보강했습니다. 그리고 공간 채우기 디자인은 컴퓨터 시뮬레이션에 많이 사용됩니다. |
| 그리고 실제로 제가 한 컨퍼런스에서 이렇게 말한 적이 있습니다. "공간을 채우는 데 사용된다는 것을 아시죠?" 하지만 실제로 이러한 디자인이 하는 일은 두 가지를 비교해 보겠습니다. |
| 디자인 포인트를 주는 것이겠죠. 이번 작품에서는 각 디자인 포인트 사이의 거리를 최소화하려고 노력합니다. |
| 왼쪽의 디자인에서 볼 수 있듯이, 그들이 충분하다고 생각하거나 적절하다고 생각한 것은 30런 혼합 디자인이었습니다. 보시다시피 가장자리 근처와 디자인 중앙에서 많이 작동합니다. 오른쪽은 정말 그랬어요 |
| 18개의 혼합 디자인 포인트가 12개의 공간 채우기 디자인 포인트로 확대되었습니다. 이것이 진정한 하이브리드 디자인입니다. 혼합 디자인과 공간 채우기 디자인의 하이브리드입니다. |
| 보시다시피, 그들의 목표를 기반으로 특성화하려는 노력은 |
| 보시다시피, 그 디자인 공간이 조금 더 좋아졌습니다. 오른쪽에 있는 것이 그 디자인 공간의 특성을 훨씬 더 잘 표현했습니다. 그렇죠? 적절한 예측 분산이 있었습니다. 그것은 그들이 실행하기로 선택한 디자인이었고 그들은 a를 찾았고 이것에서 최적의 솔루션을 찾았습니다. |
| 두 번째 디자인 선택 |
| 이것은 공정 특성화에서 많이 사용됩니다. 옛날에는 많은 사람들이 공정 특성화 측면에서 실험 설계를 사용하기 전으로 거슬러 올라갑니다. |
| 많은 과학자들이 할 일은 중앙점을 설정점처럼 실행하는 것이었습니다. |
| 그런 다음 PAR 실행 또는 입증된 허용 범위를 수행합니다. 따라서 프로세스 매개변수가 4개 있다고 가정해 보겠습니다. 그들이 할 일은 세 가지 프로세스 매개변수를 설정점에 유지하고 네 번째 매개변수를 갖는 것입니다. |
| 극단으로 가십시오. 가장 낮은 값과 가장 높은 값입니다. 그리고 그들은 각각에 대해 그것을 할 것입니다...그들은 각각의 공정 매개변수에 대해 그러한 일련의 실험을 할 것입니다. |
| 그들이 실제로 보여주는 것은 모든 것이 설정된 지점에 있고 이들 중 하나가 가장자리 근처에서 벗어나면 |
| 그러면 우리는 그것이 사양 내에 있다는 것을 증명할 것입니다. 오른쪽. 그리고 그들은 여전히 이런 달리기를 많이 좋아합니다. |
| 제가 시작한 디자인은 PAR과 중심점 실행을 가져와 최적의 디자인을 구축한 후 이를 추가하는 과학자가 있었습니다. |
| 그리고 예측과 최적화를 위해 최적의 설계를 사용합니다. 그리고 이 경우에는 그들이 원했던 디자인이었는데 최적의 디자인 이후에 추가한 것입니다. |
| 그들에게 제가 던진 질문은 이것이었습니다. 최적의 설계를 구축하기 전에 해당 실행을 추가해 보는 것이 어떨까요? 만약 그랬다면, |
| ??? JMP의 알고리즘은 "알다시피, 나는 그 점들을 취하여 다음으로 가장 좋은 실행 세트를 생각해 낼 것입니다."라고 말할 것입니다. |
| 오른쪽. 그래서 우리는 18개의 디자인 포인트를 가져와서 11개를 더 추가했습니다...죄송합니다. 11개에서...원래의 11개 디자인 포인트와 18개의 I 최적 포인트. 우리가 이 작업을 할 때마다 디자인을 보면 PAR 실행이 추가된 곳이 바로 여기입니다... |
| 이전에 추가되었으며 요인 상호 작용에서 주 효과의 힘이 PAR 실행을 추가한 경우보다 2차 효과가 더 높다는 것을 알 수 있습니다. 생산 차이를 보면 |
| 예측 분산을 보면 예측 분산이 매우 유사합니다. 하지만 보시다시피 디자인 공간의 가장자리 근처에 있는 것과 같습니다. |
| I 최적으로 PAR 실행을 강화할 때마다 PAR 실행은 훨씬 더 작았습니다. |
| 여기서 핵심은 상관관계를 볼 때마다 상관관계가 특히 주효과와의 상관관계가 PAR 증가와 2개의 I 최적을 사용하여 이전에 했던 것과 비교하여 훨씬 더 낫다고 생각한다는 것입니다. PAR 실행으로 이를 강화했습니다. |
| 세 번째 디자인. 세 번째 설계는 과학자에게 17런 D 최적 설계를 선택하고 이를 8런으로 확대하여 D에서 I 최적 설계로 변경한 것이었습니다. |
| 이제 그들은 스크리닝 설계인 D 최적 설계로 시작하여 I 최적 설계로 이동하기 위한 포인트를 추가했습니다. JMP |
| has a has a...완전히 새로운 디자인은 아니지만 JMP의 새로운 디자인입니다. 최적의 디자인이라고 합니다. 그리고 최적의 디자인 |
| 이러한 요소 중 하나에 가중치를 부여할 수 있습니다. 오른쪽. 그래서 저는 한 가지 아이디어를 얻었습니다. 나는 방금 이렇게 말했습니다. "예전에도 D를 받은 적이 여러 번 있었습니다. |
| 최적의 디자인으로 보강되었습니다. 우리가 이렇게 하면 어떨까요? 실제로 원래의 17런 D 최적 설계를 I로 확대한 다음 A로 확대하여 2차 항에 가중치를 부여하면 어떨까요? |
| 아니면 D 최적 설계를 선택하여 2차 항에 가중치를 부여한 A 최적 설계로 확대한 다음 I 최적 설계로 확장합니까?" D에서 A, I로 가는 두 가지 다른 확대입니다. |
| 그리고 D는 I에서 A로. 역시 D에서 A로 직진했습니다. 오른쪽. 그리고 저는 그것을 원래 디자인 선택과 비교하고 싶었습니다. |
| D 대 I 최적 설계. 이제 저는 제 아이디어가 효과가 있었다고 말씀드리고 싶습니다. 하지만 저는 훌륭한 통계학자로서 그렇지 않다고 생각한다고 말씀드리고 싶습니다. |
| 반응 표면 설계 측면에서 예측 분산을 살펴보면 설계 영역 전체에서 예측 분산을 최소화하려고 노력하고 있습니다. |
| 원래 설계에 대한 예측 분산이 더 낮다는 것을 알 수 있습니다. 좋아, 심지어 내가 A 최적 디자인을 했을 때보다 훨씬 더 낮은데, 바로 A 최적 디자인으로 직행하는 거야. |
| 설계 공간의 비율을 살펴보면 A 최적 설계보다 설계 공간 전반에 걸쳐 예측 분산이 훨씬 작으며 D에서 A, I로 갔을 때보다 약간 더 나은 것을 알 수 있습니다. |
| 그리고 D는 I에서 A로. 다른 디자인 선택과 비교하여 원래 디자인에서 제가 본 유일한 단점은 아시다시피 몇 가지 2차 효과가 있었다는 것입니다. 맞습니다. 몇 가지 2차 효과가 있었습니다. |
| 제가 보고 싶은 것보다 약간 더 높은 상관관계가 있었습니다. 그리고 최적의 설계가 무엇인지 알 수 있습니다. 이차 효과는 훨씬 낮습니다. 그래서 내 원래 논문은 |
| 많은 경우, 과학자와 엔지니어는 과거에 수행한 설계를 갖고 있습니다. |
| 그리고 저는 항상 이렇게 말합니다. 우리는 과거에 했던 것과 동일한 디자인을 하고 싶지 않다는 것이 합리적입니다. 다른 것을 시도해 봅시다. |
| 제품은 조금 다를 수 있습니다. 과정은 조금 다를 수 있습니다. 제형은 조금 다를 수 있습니다. 이를 사용하여 원래 디자인과 비교하면 가장 적합한 디자인을 선택할 수 있습니다. |
| 마지막으로 Adsurgo의 팀원들에게 감사의 말씀을 전하고 싶습니다. |
| 아시다시피 우리에게는 항상 팀원과 고객이 있습니다. 고객은 어려운 문제를 제기하고 팀원은 항상 고객을 위한 최적의 솔루션을 위해 노력합니다. |
| 이제 마지막으로 해야 할 일은 이 디자인이 실제로 고객의 사례에서 따온 것이지만 정확한 사례는 아니라는 것입니다. 그들의 데이터에는 아무것도 없습니다. |
| 그래서 저는 종종 매우 어려운 문제를 제기하는 Poseida Therapeutics의 Sean Essex 고객 중 한 명에게 감사 인사를 전하고 싶습니다. |
| 그는 문제를 생각해 낼 것입니다. 그리고 저는 이것이 해결책이고 우리가 아직 본 적도 없는 것이라고 말씀드리고 싶습니다. 그래서 |
| 좋은 하루 보내세요. |
