Conférencier | Transcription |
| Heath se précipite | Je m'appelle Heath Rushing. Je suis directeur d'Adsurgo et nous sommes une société de formation et de conseil qui travaille avec de nombreuses entreprises différentes. |
| Ce matin, je vais parler de quelques expériences que j'ai vécues en travaillant avec des sociétés pharmaceutiques et biopharmaceutiques. |
| De nombreux scientifiques et ingénieurs effectuent des tâches telles que le développement de processus et de produits et l'optimisation de la formulation de caractérisation. |
| Et ce que j'ai découvert, c'est que beaucoup de ces... beaucoup de ces scientifiques avaient des conceptions qu'ils utilisaient dans le passé avec un produit, un processus ou une formulation similaire. |
| Et ce qu'ils ont fait, c'est d'aller de l'avant, ils ont simplement dit : "Hé, laissez-moi juste prendre ce design que j'ai utilisé dans le passé. |
| Ça a marché. Vous savez, cela fonctionnait assez bien dans le passé. Alors allons-y et utilisons ce design. » |
| Dans chacun de ces cas, nous avons pris la conception originale et avons trouvé une sorte de mécanisme pour faire quelque chose d'un peu différent. Droite. Soit nous l'avons augmenté d'un |
| avec un avec un type différent de critères d'optimisation ou nous l'avons augmenté avant d'ajouter des exécutions ou après avoir ajouté des exécutions. |
| Dans le premier cas, nous avons construit une conception hybride. Droite. Et puis le premier cas était une formulation de produit... je suis désolé... un problème d'optimisation de formulation, |
| où un scientifique dans le passé a travaillé... avait une conception de mélange Scheffe-Cubic de 30 essais. Dans une conception de mélange, |
| les paramètres du processus sont des variables et les facteurs de l'expérience sont des mélanges. Et puis, il y a donc un certain pourcentage où le mélange global totalise 100 %. |
| C'est vrai, ils ont assez bien senti que cela fonctionnait et les ont aidés à trouver un réglage optimal pour la formulation. Cependant, une chose sur laquelle ils voulaient vraiment aborder davantage est, ils ont dit, vous savez, |
| ces conceptions avaient tendance à examiner les points de conception de notre expérience près des bords. Et ce que nous voulons faire, c'est caractériser davantage l'espace de conception. |
| Nous avons donc pris le plan original de 30 essais, et au lieu de faire cela, nous avons exécuté un nous... nous avons développé une expérience en construisant l'expérience dans laquelle nous avons exécuté 18 |
| expériences de mélange, puis nous l'avons augmenté avec 12 conceptions de remplissage d'espace. Et une conception remplissant l’espace est très utilisée dans les simulations informatiques. |
| Et vraiment, vous savez, j'ai dit cela lors d'une conférence un jour, j'ai dit : "Vous savez, c'est utilisé pour remplir l'espace." Mais vraiment, que font ces conceptions, et je vais faire la comparaison des deux, |
| est-ce que ça va mettre des points de conception. Dans celui-ci, j'essaie de minimiser la distance entre chacun des points de conception. |
| Comme vous le voyez comme le modèle de gauche, celui qu'ils pensaient être assez bien ou adéquat était le modèle de mélange en 30 cycles. Et comme vous le voyez, cela fonctionne beaucoup près des bords et en plein centre du design. Celui de droite était vraiment |
| 18 points de conception de mélange augmentés de 12 points de conception de remplissage d'espace. C'est donc vraiment une conception hybride, c'est vraiment un hybride d'une conception mixte et d'une conception remplissant l'espace. |
| Comme vous pouvez le voir, vous savez, sur la base de leur objectif en essayant de caractériser |
| cet espace de conception est un peu meilleur, comme vous pouvez le voir, celui de droite a fait un bien meilleur travail pour caractériser cet espace de conception, n'est-ce pas ? Il y avait une variance de prédiction adéquate. C'était une conception qu'ils ont choisi d'exécuter et ils ont trouvé une solution optimale à partir de cela. |
| Le deuxième choix de conception |
| était, et cela est beaucoup utilisé, dans la caractérisation d'un processus, autrefois, avant que beaucoup de gens n'utilisent les plans d'expériences en termes de caractérisation des processus, |
| ce que beaucoup de scientifiques feraient, c'était qu'ils effectuaient des analyses au point central comme son point de consigne |
| puis faites également ce qu'on appelle des courses PAR, ou plage acceptable prouvée, n'est-ce pas. Disons donc qu’ils avaient quatre paramètres de processus. Ce qu'ils feraient, c'est qu'ils maintiendraient trois des paramètres du processus au point de consigne et que le quatrième |
| aller aux extrêmes. La valeur la plus basse et la valeur la plus élevée. Et ils le feraient pour chacun… ils feraient une série d’expériences comme celle-là pour chacun des paramètres du processus. |
| Ce qu'ils montrent vraiment, c'est que, vous savez, si tout est au point défini, et que l'un d'entre eux dévie près des bords, |
| alors nous allons simplement prouver que cela est tout à fait conforme aux spécifications. Droite. Et puis, ils aiment toujours faire beaucoup de ces courses. |
| La conception avec laquelle j'ai commencé était la suivante: j'avais un scientifique qui prenait ces PAR et ces analyses de points centraux et les ajoutait après avoir construit une conception optimale. |
| Et la conception optimale est utilisée pour la prédiction et l'optimisation. Et dans ce cas, c'est le genre de design qu'ils voulaient, mais ils les ont ajoutés après le design optimal. |
| Ma question leur était la suivante : pourquoi ne prenez-vous pas simplement ces exécutions et ne les ajoutez-vous pas avant de construire une conception optimale ? Si tel était le cas, |
| le ??? L'algorithme de JMP dirait : "Vous savez, je vais prendre ces points et je vais proposer la prochaine meilleure série d'exécutions." |
| Droite. Nous avons donc pris ces 18 points de conception et nous les avons augmentés de 11 autres... Je suis désolé, les 11 à... les 11 points de conception d'origine et 18 I points optimaux. Chaque fois que nous avons fait cela, si vous regardez dans la conception, c'est ici que les pistes PAR ont été ajoutées... |
| ont été ajoutés avant, et vous voyez que la puissance des effets principaux, dans les interactions factorielles, les effets quadratiques sont plus élevés que si vous aviez ajouté le PAR après. Vous voyez que l'écart de production, |
| si vous regardez la variance de prédiction, la variance de prédiction est très similaire. Mais vous voyez, c'est comme juste à la limite des espaces de conception, vous voyez que ces |
| Les analyses PAR, chaque fois que nous augmentions les analyses PAR avec I optimal, étaient beaucoup plus petites. |
| La clé ici est que chaque fois que je regardais la corrélation, je pense que la corrélation, en particulier avec les effets principaux, est bien meilleure avec l'augmentation du PAR et deux I optimaux par rapport à ce qu'ils faisaient auparavant, où ils ont pris le I optimal et juste augmenté ceux avec les courses PAR. |
| La troisième conception. La troisième conception a eu lieu lorsque j'ai demandé à un scientifique de prendre une conception optimale D à 17 analyses et de l'augmenter avec huit analyses et de passer d'une conception optimale D à une conception optimale I. |
| Maintenant, ils ont commencé avec un plan optimal D, un plan de sélection, ils l'ont augmenté de points pour passer à un plan optimal I. JMP |
| a un a un... ce n'est pas vraiment un nouveau design, mais c'est un nouveau design pour JMP ; c'est ce qu'on appelle une conception optimale. Et une conception optimale |
| vous permet de pondérer n’importe lequel de ces facteurs. Droite. Et donc j’ai eu une idée. J'ai juste dit : "Vous savez, je suis passé plusieurs fois d'un D |
| augmenté à une conception optimale. Et si on faisait ça ? Vraiment, que se passerait-il si nous prenions cette conception optimale D originale à 17 essais et l'augmentions en un I, puis un A, où nous pondérerions ces termes quadratiques, |
| Ou nous avons pris le plan optimal D, l'avons augmenté en un plan optimal A où nous avons pondéré les termes quadratiques, puis en un plan optimal I ? » Donc c'est vraiment deux augmentations différentes, allant d'un D à un A puis à un I, |
| et D à un I à un A. Je suis également allé directement de D à A. Droite. Et je voulais le comparer au choix de conception original, qui était |
| une conception optimale D par rapport à une conception I. Maintenant, j'aimerais vraiment vous dire que mon idée a fonctionné. Mais je pense qu'en tant que bon statisticien, je devrais vous dire que je ne pense pas qu'il en soit ainsi. |
| Si je regarde la variance de prédiction, qui, en termes de conception de surface de réponse, nous essayons de minimiser la variance de prédiction dans la région de conception, |
| c'est que vous voyez que la variance de prédiction pour leur conception d'origine est inférieure. D'accord, même bien plus bas que chaque fois que j'ai fait la conception optimale A, juste directement vers la conception optimale A. |
| Si vous regardez la fraction de l'espace de conception, vous verrez que la variance de prédiction est beaucoup plus petite dans l'espace de conception que la conception optimale A et elle est un peu meilleure que lorsque je suis passé de D à A à I, |
| et D à I à A. Le seul point négatif que j'ai vu avec la conception originale par rapport aux autres choix de conception était, vous savez, il y avait des effets quadratiques, c'est vrai, il y avait des effets quadratiques. |
| qui avait une corrélation un peu plus élevée, une corrélation un peu plus élevée que ce que j'aimerais voir. Et et vous voyez ce qu'est une conception optimale, elle a des effets quadratiques beaucoup plus faibles. Donc ma thèse originale |
| bien souvent, les scientifiques et les ingénieurs ont des conceptions qu’ils ont réalisées dans le passé. |
| Et je dis toujours qu'il est logique que nous ne voulions tout simplement pas faire le même design que nous avons fait dans le passé. Essayons quelque chose de différent. |
| Le produit peut être un peu différent. Le processus peut être un peu différent. La formulation peut être un peu différente. Si vous l'utilisez pour comparer au design original, vous pouvez choisir votre meilleur choix de design. |
| Je voudrais, vous savez, la dernière chose que je voudrais remercier les membres de mon équipe chez Adsurgo. |
| Nous avons toujours, vous savez, des membres de notre équipe et aussi nos clients... nos clients qui rencontrent des problèmes difficiles et les membres de notre équipe qui travaillent toujours pour trouver des solutions optimales pour nos clients. |
| Maintenant, la dernière chose que je dois faire, c'est que ces conceptions étaient vraiment, vraiment tirées d'exemples de clients, mais ce n'étaient pas des exemples exacts. Il n'y a rien avec leurs données. |
| Je voudrais donc remercier l'un de mes clients, Sean Essex de Poseida Therapeutics, qui pose souvent des problèmes très difficiles et parfois |
| il va trouver un problème. Et je dirai, vous savez, c'est une solution et c'est quelque chose que nous n'avons même pas encore vu. Donc |
| passe une bonne journée. |
