扬声器 | 成绩单 |
| 希斯·拉什 | 我的名字是希斯·拉欣。 我是 Adsurgo 的负责人，我们是一家培训和咨询公司，与许多不同的公司合作。 |
| 今天早上，我将谈谈我在制药和生物制药公司工作的一些经历。 |
| 许多科学家和工程师正在从事工艺和产品开发以及表征配方优化等工作。 |
| 我发现的是很多这样的......很多科学家都有他们过去使用过的类似产品、工艺或配方的设计。 |
| 他们所做的是向前迈进，他们只是说，“嘿，让我采用我过去使用过的设计。 |
| 有效。 你知道，它在过去运作良好。 因此，让我们继续使用该设计。” |
| 在每一个例子中，我们所做的都是采用原始设计，并提出某种机制来做一些不同的事情。 正确的。 我们要么用一个增强它 |
| 具有不同类型的优化标准，或者我们在他们添加运行之前或添加运行之后对其进行了增强。 |
| 在第一种情况下，我们所做的是，我们构建了混合设计。 正确的。 然后第一个案例是产品配方...对不起...配方优化问题， |
| 过去一位科学家运行过...进行了 30 次 Scheffe-Cubic 混合物设计。 在混合设计中， |
| 过程参数是变量，是实验中的因素，是混合物。 然后，总混合物加起来达到 100% 时存在一定的百分比。 |
| 是的，他们觉得这个效果足够好，并帮助他们找到配方的最佳设置。 然而，他们真正想进一步探讨的一件事是，他们说，你知道， |
| 这些设计倾向于在我们的实验中关注边缘附近的设计点。 而我们想做的是进一步表征设计空间。 |
| 因此，我们采用了最初的 30 次运行设计，我们没有这样做，而是运行了一个我们...我们开发了一个实验，构建了运行 18 次的实验 |
| 混合实验，然后我们用 12 空间填充设计对其进行了增强。 空间填充设计在计算机模拟中被大量使用。 |
| 事实上，你知道，我有一次在一次会议上说过这一点，我说，“你知道它是用来填补空间的。” 但这些设计实际上是做什么的，我将把两者进行比较， |
| 它会放置设计点吗？ 在这一篇中，我尝试最小化每个设计点之间的距离。 |
| 正如您在左侧看到的设计，他们认为足够好或足够的设计是 30 次混合设计。 正如您所看到的，它在设计的边缘和中心附近运行很多。 右边那个真的是 |
| 18 个混合物设计点增加了 12 个空间填充设计点。 所以它实际上是一种混合设计，它实际上是混合设计和空间填充设计的混合。 |
| 正如你所看到的，你知道，基于他们试图描述的目标 |
| 那个设计空间好一点，正如你所看到的，右边的那个在描述那个设计空间方面做得更好，对吧？ 它有足够的预测方差。 这是他们选择运行的一个设计，他们找到了一个，并从中找到了最佳解决方案 |
| 第二个设计选择 |
| 是的，这在过程表征中被经常使用，早在很久以前，很多人在过程表征方面使用实验设计， |
| 许多科学家会做的是，他们会像设定点一样进行中心点运行 |
| 然后还进行所谓的 PAR 运行，或经过验证的可接受范围，对吧。 可以说他们有四个工艺参数。 他们要做的是将三个工艺参数保持在设定点，并让第四个工艺参数保持在设定值 |
| 走向极端。 最低值和最高值。 他们会为每个过程参数做一组类似的实验。 |
| 他们真正展示的是，你知道，如果一切都在设定点，并且其中一个在边缘附近偏离， |
| 然后我们只需证明它完全符合规范。 正确的。 所以他们仍然喜欢进行很多这样的跑步。 |
| 我开始的设计是，我有一位科学家获取了这些 PAR 和那些中心点运行，并在构建了最佳设计后添加了它们。 |
| 我的最优设计用于预测和优化。 在这种情况下，这就是他们想要的设计，但他们在最佳设计之后添加了它们。 |
| 我向他们提出的问题是，为什么不在构建最佳设计之前进行这些运行并添加它们呢？ 如果真是这样的话， |
| 这 ？？？ JMP 中的算法会说：“你知道，我将采用这些点，然后得出下一组最佳运行。” |
| 正确的。 因此，我们采用了这 18 个设计点，然后又添加了 11 个……抱歉，这 11 个……原来的 11 个设计点和 18 个最佳点。 每当我们这样做时，如果您查看设计，就会发现，这就是添加 PAR 运行的地方...... |
| 在之前添加，您会看到主效应的力量，在因子相互作用中，二次效应比您之后添加 PAR 运行时更高。 您会看到生产差异， |
| 如果你看一下预测方差，就会发现预测方差非常相似。 但你看，就像就在设计空间的边缘附近，你看到那些 |
| 每当我们用 I 最优增强 PAR 运行时，PAR 运行就会小很多。 |
| 这里的关键是，每当我查看相关性时，我都认为相关性，特别是在 PAR 增强和两个 I 最优的情况下，与他们之前所做的相比，主要效果要好得多，他们之前采用了 I 最优，并且只是通过 PAR 运行增强了这些。 |
| 第三个设计。 第三个设计是当我让一位科学家进行 17 次运行 D 最优设计时，他们用 8 次运行对其进行了增强，并从 D 变为 I 最优设计。 |
| 现在他们从 D 最优设计（一种筛选设计）开始，他们用点对其进行了增强，以转向 I 最优设计。 联合管理计划 |
| 有一个...这并不是一个真正的新设计，但它是 JMP 的新设计；这就是所谓的最佳设计。 以及优化设计 |
| 允许您权衡这些因素中的任何一个。 正确的。 所以我有了一个主意。 我只是说，“你知道，过去我有很多次从 D |
| 增强为 I 最优设计。 如果我们这样做怎么办？ 真的，如果我们采用最初的 17 次运行 D 优化设计并将其增强为 I，然后是 A，我们对这些二次项进行加权，会怎样？ |
| 或者我们采用 D 最优设计，将其增强为 A 最优设计，其中我们对二次项进行加权，然后是 I 最优设计？” 所以这实际上是两种不同的增强，从 D 到 A 再到 I， |
| D 到 I 到 A。 也直接从D到A。 正确的。 我想将它与最初的设计选择进行比较 |
| D 与 I 优化设计。 现在，我真的很想告诉你我的想法是有效的。 但我认为作为一名优秀的统计学家，我应该告诉你，我认为事实并非如此。 |
| 如果我看一下预测方差，就响应面设计而言，我们试图最小化整个设计区域的预测方差， |
| 您是否看到他们原始设计的预测方差较低。 好吧，甚至比我做 A 最优设计时还要低得多，直接做 A 最优设计。 |
| 如果您查看设计空间的比例，您会发现整个设计空间的预测方差比 A 最优设计小得多，并且比我从 D 到 A 到 I 时要好一些， |
| 以及 D 到 I 到 A。 与其他设计选择相比，我看到原始设计的唯一缺点是，你知道，存在一些二次效应，对，存在一些二次效应 |
| 相关性有点高，相关性比我希望看到的高一些。 你会看到什么是最佳设计，它的二次效应要低得多。 所以我原来的论文 |
| 很多时候，科学家和工程师都有他们过去做过的设计。 |
| 我总是说，我们只是不想做与过去相同的设计，这是有道理的。 让我们尝试一些不同的东西。 |
| 产品可能略有不同。 该过程可能略有不同。 配方可能略有不同。 如果您使用它与原始设计进行比较，您可以选择最佳的设计选择。 |
| 最后，我要感谢 Adsurgo 的团队成员。 |
| 您知道，我们总是有团队成员和我们的客户……我们的客户提出了具有挑战性的问题，而我们的团队成员始终致力于为客户提供最佳解决方案。 |
| 现在，我要做的最后一件事是，这些设计确实非常非常取自客户的示例，但它们并不是确切的示例。 他们的数据什么也没有。 |
| 因此，我想向我的一位来自 Poseida Therapeutics 的客户 Sean Essex 表示感谢，他经常会遇到一些非常棘手的问题，有时甚至会遇到一些问题。 |
| 他会想出一个问题。 我会说，你知道，这是一个解决方案，而且我们还没有见过。 所以 |
| 祝你有美好的一天。 |
