Lautsprecher | Transkript |
| Heiderausch | Mein Name ist Heath Rushing. Ich bin Direktor bei Adsurgo und wir sind ein Schulungs- und Beratungsunternehmen, das mit vielen verschiedenen Unternehmen zusammenarbeitet. |
| Heute Morgen werde ich über einige Erfahrungen sprechen, die ich bei der Arbeit mit Pharma- und Biopharmaunternehmen gemacht habe. |
| Viele Wissenschaftler und Ingenieure beschäftigen sich beispielsweise mit der Prozess- und Produktentwicklung sowie der Optimierung von Charakterisierungsformulierungen. |
| Und was ich herausgefunden habe, ist, dass viele davon … viele dieser Wissenschaftler hatten Entwürfe, die sie in der Vergangenheit für ein ähnliches Produkt, einen ähnlichen Prozess oder eine ähnliche Formulierung verwendet haben. |
| Und was sie getan haben, ist weiterzumachen und einfach zu sagen: „Hey, lass mich einfach das Design übernehmen, das ich in der Vergangenheit verwendet habe.“ |
| Es funktionierte. Wissen Sie, in der Vergangenheit hat es ganz gut funktioniert. Also lasst uns einfach weitermachen und dieses Design verwenden.“ |
| In jedem dieser Fälle haben wir das ursprüngliche Design übernommen und uns einen Mechanismus ausgedacht, um etwas etwas anderes zu machen. Rechts. Wir haben es entweder mit a erweitert |
| mit einer anderen Art von Optimierungskriterien oder wir haben es erweitert, bevor sie Läufe hinzugefügt haben oder nachdem sie Läufe hinzugefügt haben. |
| Im ersten Fall haben wir ein Hybriddesign entwickelt. Rechts. Und dann war der erste Fall eine Produktformulierung ... Es tut mir leid ... ein Problem bei der Formulierungsoptimierung. |
| wo ein Wissenschaftler in der Vergangenheit gefahren wurde ... hatte ein Scheffe-Cubic-Mischungsdesign mit 30 Läufen. In einem Mischungsdesign, |
| Die Prozessparameter sind Variablen, sind Faktoren im Experiment und sind Gemische. Und dann gibt es einen bestimmten Prozentsatz, bei dem die Gesamtmischung 100 % ergibt. |
| Richtig, sie hatten das Gefühl, dass dies gut genug funktionierte, und halfen ihnen dabei, eine optimale Einstellung für die Formulierung zu finden. Eine Sache, auf die sie jedoch unbedingt näher eingehen wollten, ist, wie sie sagten: |
| Diese Designs neigten dazu, in unserem Experiment Designpunkte in der Nähe der Kanten zu betrachten. Und was wir tun wollen, ist, den Designraum weiter zu charakterisieren. |
| Also haben wir das ursprüngliche 30-Durchlauf-Design übernommen und stattdessen ein Experiment durchgeführt, bei dem wir 18 durchgeführt haben |
| Mischungsexperimente und dann haben wir es mit 12 raumfüllenden Designs erweitert. Und ein raumfüllendes Design wird häufig in Computersimulationen verwendet. |
| Und wirklich, wissen Sie, ich habe das einmal auf einer Konferenz gesagt: „Sie wissen, dass es dazu dient, Raum zu füllen.“ Aber was diese Designs wirklich bewirken, und ich werde den Vergleich der beiden heranziehen, |
| Wird es Designpunkte setzen? In diesem Fall versuche ich, den Abstand zwischen den einzelnen Entwurfspunkten zu minimieren. |
| Wie Sie im Design auf der linken Seite sehen können, war das 30-Run-Mischungsdesign dasjenige, das ihrer Meinung nach gut genug oder angemessen war. Und wie Sie sehen, funktioniert es häufig an den Rändern und genau in der Mitte des Designs. Der rechte war wirklich |
| 18 Mischungsdesignpunkte, ergänzt durch 12 raumfüllende Designpunkte. Es handelt sich also wirklich um ein Hybriddesign, es ist wirklich eine Mischung aus einem Mischdesign und einem raumfüllenden Design. |
| Wie Sie sehen, wissen Sie, basierend auf ihrem Ziel, das sie charakterisieren wollen |
| Dieser Designraum ist etwas besser, wie Sie sehen können, der rechte hat diesen Designraum viel besser charakterisiert, oder? Die Vorhersagevarianz war ausreichend. Es war ein Entwurf, für den sie sich entschieden haben, und sie haben daraus eine optimale Lösung gefunden |
| Die zweite Designwahl |
| Das war, und das wird häufig in der Prozesscharakterisierung verwendet, früher, als viele Leute die Versuchsplanung im Hinblick auf die Prozesscharakterisierung verwendeten. |
| Was viele Wissenschaftler taten, war, Mittelpunktläufe wie den Sollwert durchzuführen |
| Und dann machen Sie auch sogenannte PAR-Läufe oder nachweislich akzeptable Bereiche, richtig. Nehmen wir also an, dass es vier Prozessparameter gab. Was sie tun würden, wäre, drei der Prozessparameter auf dem Sollwert zu halten und den vierten zu haben |
| bis zum Äußersten gehen. Der niedrigste Wert und der höchste Wert. Und sie würden es für jeden einzelnen Prozessparameter tun. Sie würden eine Reihe solcher Experimente für jeden Prozessparameter durchführen. |
| Was sie wirklich zeigen, ist, dass, wissen Sie, wenn alles am Sollpunkt ist und einer davon in der Nähe der Ränder abweicht, |
| Dann werden wir nur beweisen, dass es innerhalb der Spezifikation liegt. Rechts. Und dann machen sie immer noch gerne viele dieser Läufe. |
| Das Design, mit dem ich angefangen habe, war, dass ich einen Wissenschaftler hatte, der diese PAR- und Centerpoint-Läufe nahm und sie hinzufügte, nachdem sie ein optimales Design erstellt hatten. |
| Und das optimale Design wird für die Vorhersage und Optimierung verwendet. Und in diesem Fall ist das die Art von Design, die sie wollten, aber sie haben sie nach dem optimalen Design hinzugefügt. |
| Meine Frage an sie war: Warum nehmen Sie nicht einfach diese Läufe und fügen sie hinzu, bevor Sie das optimale Design erstellen? Wenn das der Fall wäre, |
| Die ??? Der Algorithmus in JMP würde sagen: „Wissen Sie, ich werde diese Punkte nehmen und mir die nächstbesten Läufe ausdenken.“ |
| Rechts. Also haben wir diese 18 Designpunkte genommen und sie um 11 weitere erweitert ... Es tut mir leid, die 11 bis ... die ursprünglichen 11 Designpunkte und 18 I-Optimalpunkte. Wann immer wir das gemacht haben, wenn man sich das Design anschaut, dann wurden hier die PAR-Läufe hinzugefügt ... |
| wurden vorher hinzugefügt, und Sie sehen, dass die Stärke der Haupteffekte bei Faktorinteraktionen, den quadratischen Effekten, höher ist, als wenn Sie die PAR-Läufe danach hinzufügen. Sie sehen, dass die Produktionsvarianz, |
| Wenn Sie sich die Vorhersagevarianz ansehen, ist die Vorhersagevarianz sehr ähnlich. Aber sehen Sie, es ist direkt am Rande der Designräume, das sehen Sie |
| PAR-Läufe waren viel kleiner, wenn wir die PAR-Läufe um I optimal erweitert hatten. |
| Der Schlüssel hier ist, wann immer ich mir die Korrelation ansehe, ich denke, dass die Korrelation, insbesondere mit den Haupteffekten, mit der PAR-Erhöhung und zwei I-Optimalen viel besser ist als mit dem, was sie vorher gemacht haben, wo sie das I-Optimum und gerade genommen haben ergänzte diese mit den PAR-Läufen. |
| Der dritte Entwurf. Das dritte Design war, als ich einen Wissenschaftler ein D-optimales Design mit 17 Durchläufen erstellen ließ und es mit acht Durchläufen erweiterte und von einem D- zu einem I-optimalen Design überging. |
| Nun begannen sie mit dem D-optimalen Design, einem Screening-Design, und ergänzten es mit Punkten, um zu einem I-optimalen Design zu gelangen. JMP |
| hat ein hat ein...es ist kein wirklich neues Design, aber es ist ein neues Design für JMP; Man nennt es ein optimales Design. Und ein optimales Design |
| ermöglicht es Ihnen, jeden dieser Faktoren zu gewichten. Rechts. Und da hatte ich eine Idee. Ich sagte nur: „Wissen Sie, ich bin in der Vergangenheit schon oft von einem D ausgegangen |
| zu einem optimalen Design erweitert. Was wäre, wenn wir das tun würden? Was wäre wirklich, wenn wir diesen ursprünglichen 17-Run-D-Optimierungsentwurf nehmen und ihn zu einem I und dann zu einem A erweitern würden, wobei wir diese quadratischen Terme gewichten würden? |
| Oder haben wir das D-optimale Design genommen, es zu einem A-optimalen Design erweitert, bei dem wir die quadratischen Terme gewichtet haben, und dann zu einem I-optimalen Design erweitert?“ Es handelt sich also eigentlich um zwei verschiedene Erweiterungen, von einem D über ein A bis hin zu einem I. |
| und D zu einem I zu einem A. Ging auch direkt von D nach A. Rechts. Und ich wollte es mit der ursprünglichen Designauswahl vergleichen, die so war |
| ein D- versus ein I-optimales Design. Nun möchte ich Ihnen wirklich sagen, dass meine Idee funktioniert hat. Aber ich denke, als guter Statistiker sollte ich Ihnen sagen, dass ich nicht glaube, dass es so war. |
| Wenn ich mir die Vorhersagevarianz ansehe, die wir im Hinblick auf das Antwortflächendesign versuchen, die Vorhersagevarianz über den Designbereich hinweg zu minimieren, |
| Sehen Sie, dass die Vorhersagevarianz für ihr ursprüngliches Design geringer ist? Okay, sogar viel niedriger als immer, wenn ich das A-optimale Design gemacht habe, einfach direkt zum A-optimalen Design. |
| Wenn Sie sich den Anteil des Designraums ansehen, werden Sie feststellen, dass die Vorhersagevarianz über den gesamten Designraum viel kleiner ist als beim A-Optimumdesign und etwas besser als beim Übergang von D über A nach I. |
| und D zu I zu A. Der einzige Nachteil, den ich beim ursprünglichen Design im Vergleich zu den anderen Designoptionen sah, war, dass es einige quadratische Effekte gab, richtig, es gab einige quadratische Effekte |
| Das hatte eine etwas höhere Korrelation, eine etwas höhere Korrelation, als ich gerne sehen würde. Und Sie sehen, was ein optimales Design ist, es hat viel geringere quadratische Effekte. Also meine ursprüngliche These |
| Oftmals haben Wissenschaftler und Ingenieure Entwürfe gemacht, die sie in der Vergangenheit gemacht haben. |
| Und ich sage immer: Es macht Sinn, dass wir einfach nicht das gleiche Design machen wollen, das wir in der Vergangenheit gemacht haben. Lass uns etwas anderes ausprobieren. |
| Das Produkt kann ein wenig anders sein. Der Prozess kann etwas anders sein. Die Formulierung kann etwas anders sein. Wenn Sie es mit dem Originaldesign vergleichen, können Sie Ihr bestes Design auswählen. |
| Als Letztes möchte ich mich bei meinen Teammitgliedern bei Adsurgo bedanken. |
| Wissen Sie, wir haben immer Teammitglieder und auch unsere Kunden ... unsere Kunden, die sich herausfordernde Probleme einfallen lassen, und unsere Teammitglieder, die stets daran arbeiten, optimale Lösungen für unsere Kunden zu finden. |
| Das Letzte, was ich noch tun muss, ist, dass diese Designs wirklich, wirklich von Beispielen von Kunden übernommen wurden, aber es waren nicht die exakten Beispiele. An ihren Daten ist nichts dran. |
| Deshalb möchte ich einem meiner Kunden, Sean Essex von Poseida Therapeutics, ein großes Lob aussprechen, der oft mit sehr schwierigen Problemen aufwartet und manchmal |
| er wird ein Problem haben. Und ich sage: Wissen Sie, das ist eine Lösung und etwas, das wir wirklich noch nicht einmal gesehen haben. Also |
| Ich wünsche ihnen einen wunderbaren Tag. |
