揚聲器 | 成績單 |
| 麗貝卡·克拉克（Rebecca Clarke） | 大家好，我叫Rebecca。今天，Jose和George加入了我的行列，今天我們將與您談談如何使用JMP Pro驗證方法來幫助我們避免浪費時間調查虛假效果。 |
| 因此，首先，我將向我們介紹一家公司以及我們的做法。 我們為牛津生物醫學公司工作。 |
| 我們是基因和細胞療法業務的先驅，並且在慢病毒載體的研究，開發和生物加工方面處於領先地位。 |
| 因此，我們在該領域擁有20多年的經驗。 我們是第一家使用慢病毒載體（？）療法治療人類的公司。 某些 |
| 我們與之合作的本地合作夥伴列在右下角，因此我們與諾華，索諾菲，勃林格殷格翰和果園治療公司合作，我們所治療的某些疾病包括癌症，中樞神經系統疾病和囊性纖維化一些。 |
| 因此，去年，當我們簽署了英國疫苗聯盟時，Oxford Biomedia也加入了反對COVID-19的鬥爭。 |
| 該財團由牛津大學詹納研究所（Jenner Institute）運營，目標是迅速開發出COVID-19候選疫苗。 |
| 通過加入該財團，Oxford Biomedica允許財團獲得我們的最新技術，從而擴大了疫苗的生產規模？套房。 因此，從那以後，我們與阿斯利康簽署了一份臨床和商業供應協議。 |
| 並且，根據該協議，如果在臨床試驗中證明成功，我們同意提供阿斯利康COVID疫苗。 而且，我敢肯定，您都知道，這種疫苗確實很成功，並且直到今天牛津Biologica仍在繼續生產COVID-19疫苗。 |
| 因此，我也只想簡單介紹一下我們在OXB中使用的流程。 |
| 因此，生物過程是利用活細胞或其成分獲得所需產品的過程，因此眾所周知 |
| 這種方法的一個例子是酒精飲料的發酵。 |
| 在此過程中，酵母是生命的組成部分，酵母和釀造啤酒所需的所有其他成分被放入生物反應器中，酵母會引發稱為發酵的化學反應。 在發酵過程中，葡萄糖轉化為乙醇。 |
| 然後，一旦發酵反應完成，就將生物反應器的內容物收穫並通過過濾純化，然後剩下最終產品即啤酒。 |
| 因此，我們在牛津生物醫學研究所利用的過程類似於發酵。 因此，我們流程的生命要素是 |
| 細胞培養物，因此我們將生物反應器和細胞反應物一起放入細胞培養物中，並製成慢病毒因子。 |
| 在該生產過程的最後，將生物反應器中的內容物進行下游處理，在此進行純化，然後將其裝瓶並運出以供患者使用。 |
| 因此，此幻燈片僅顯示了藥物開發的生命週期。 因此，最底部的左側是研究階段。 |
| 因此，在這個階段，我們確定了在疾病機制中很重要的靶基因或蛋白質。 |
| 並且，我們還開發了針對這些目標的藥物，並展示了該藥物針對疾病的能力是否成功。 |
| 然後，在生命週期的盡頭，我們進行了商業生產，製造並裝瓶用於患者的藥物。 |
| 因此，我們的過程，研究與開發小組位於這兩個階段之間。 設計，優化和擴大生產流程是我們的工作 |
| 並將藥品從研究台轉移到製造。 我們使用的一些過程包括小型搖瓶，我們一直沿50升生物反應器運行。 |
| 因此，您可以想像，我們在工作過程中會生成大量數據，生物反應器具有許多需要監控和優化的輸入參數。 |
| 由於生成的數據量巨大，因此很難確定優化過程中應關注的參數。 |
| 僅僅由於我們必須使用大量的參數，我們無法在每個參數上單獨優化每個參數在商業上是不可行的，因此，在這一點上，我們希望進行統計建模。 |
| 然後，我們使用模型來嘗試縮小應優化的潛在參數的範圍。 |
| 因此，儘管這些模型很有用，但我們在工作中確實會產生大量隨機噪聲，這取決於生物加工的生命本質，因此沒有兩種文化是相同的。 |
| 因此，這種隨機噪聲顯然已納入我們的統計模型，這可能導致我們在優化實驗中浪費時間查看非真實的影響。 |
| 因此，考慮到這一點，我們希望使用JMP Pro，特別是驗證功能， |
| 希望這將有助於我們進一步縮小我們將要查看的參數的範圍，從模型中消除非真實的影響，以及 |
| 以避免我們也過度擬合我們的模型。 現在，我將交給Jose，他將與您討論整個數據驗證方法。 |
| 何塞·貢薩爾維斯 | 是的，我叫Jose，我將討論整個優化方法，所以這是一種方法，這是僅在JMP Pro上可用的建模工具。 我們有興趣探索如何使用...在OXB中它可能對...有用 |
| 我看到它可能有用 |
| OXB用於生物過程數據建模。 正如麗貝卡所說 |
| 我們在過程中使用這些steritank（？）反應器，基本上我們將細胞生長到這些生物反應器中，並產生這些病毒載體，這就是我們的 |
| 主要產品。 這是...這是我們想要最大化並想要建模的東西，所以這實際上是我們的響應變量。 |
| 生物反應器需要許多控制輸入並在一個生產過程中產生大量數據，因此擁有一種工具來幫助確定哪些輸入輸出值得研究， |
| 這對我們來說將具有巨大的價值。 這將使我們節省時間，釋放資源，並允許採用更有針對性的方法進行調查。 |
| 因此，在進入模型構建之前，我們必須首先從歷史批次中收集盡可能多的數據。 |
| 因此，這些數據為我們提供了生產過程的運行方式以及數據中的任何異常情況的指示，這可能表明對載體效價的有害影響。 因此，在左側，您可以看到 |
| 我們從20個變量中收集了數據，很遺憾，不幸的是，我們無法顯示變量的實際名稱，因此不得不匿名化數據。 |
| 因此，我們從X1到X20在此處列出它們，由於我們的過程是一個動態過程，因此我們無法期望預測變量之間的共線性程度。 所以 |
| 總而言之，我們有一個數據集，其中包含20個變量或模型的20個候選預測變量，並且我們已經從67個歷史批次中收集了數據。 |
| 因此，由於這是JMP Pro試用版的一部分，因此我們認為一開始使用標準JMP來構建模型，然後將其用作與使用hold方法構建的另一個模型的比較是一件很棒的事情。出配方法。 |
| 在這裡，要建立沒有驗證方法的模型，我們使用JMP和 |
| 我們在這裡選擇響應面模型是因為我們希望允許所有主要效果，交互作用項和平方項進入模型。 在這裡，在個性方面，我們選擇逐步進行。 所以在右邊 |
| 我們有逐步回歸控制面板，我們使用停止規則作為我們的P值閾值，因此其餘參數默認情況下保留為它們。 |
| 然後，在運行逐步回歸之後，這就是最終生成的模型。 |
| 所以在這裡，您可以看到我們在模型中有八個術語，其中七個，它們實際上很重要。 因此，我想在此僅針對前三個三個因素引起您的注意，因為它們具有...在我們的模型中非常重要，它們將 |
| 在我要展示的幾張幻燈片中非常重要 |
| 結果...結果 |
| 當我們使用保留驗證方法時，這裡的舊模型很重要，可以解釋我們數據集中約44％的變化。 |
| 因此，這是我們最初的方法。 |
| 我們對生成的第一個模型感到滿意，但是我們更感興趣的是對此有更多的了解。 |
| 因為要研究所有這些預測因素，這將花費大量時間和實驗室資源，因此我們接下來要採用的方法。 |
| 因此，這裡是此保持驗證方法如何工作的概述。 |
| 並且，基本上，我們有我們的數據集，並且我們的數據集將被隨機分為兩組。 因此，在左側，數據的70％ |
| 它將被分配到一個訓練集中，該訓練集中將用於專門構建模型的數據比例。 |
| 在右側，我們將分配給驗證集的數據有30％，這是將要使用的數據的比例 |
| 當驗證集的R平方（最大值）停止我們的模型構建過程時。 所以在底部 |
| 我們可以看到，這是逐步回歸平台的屏幕截圖，與以前使用的屏幕截圖基本相同，但是有一個停止規則，表明這是， |
| 最大驗證R平方而不是我們的p值閾值。 所以在這裡，此圖在底部，它顯示 |
| 我們有訓練集，這裡有驗證集，被標記為排除。 |
| 因此，正如您所看到的，當我們開始將術語輸入模型時，訓練集 |
| 因為我們在這裡有這個規則，即前向規則，所以我們從模型中的零項開始，然後逐步地將項添加到模型中。 |
| 當我們開始添加這些項時，R平方的增加非常快，直到我們在模型中添加了五個項之後，R平方的改善並沒有太大增加。 |
| 當我們開始...當我們不斷添加越來越多的術語時。 因此，當我們使用此方法時，重要的事情之一就是驗證集中會發生什麼， |
| 因為這與我們的停止規則有關。 因此，發生的事情基本上與我們開始在模型中添加條件相同， |
| R平方非常快地增加，直到達到最大R平方時，然後此點之後，隨著我們不斷添加越來越多的項，R平方減小。 |
| 因此，這正是此驗證集所要執行的操作...什麼...我們想在此階段使用此驗證集來停止模型構建過程，因此我們可以在此處包括所有這些術語，以最我們數據集的變化，避免 |
| 在模型中包含所有這些術語可能會導致模型過度擬合，或者它們實際上可能根本不是真實的。 |
| 因此，在運行逐步回歸之後，這就是最終生成的模型，並且正如您所看到的，我們已經將有效項從八個或七個減少到只有三個。 而且，您還記得過，這些術語在我們不使用 |
| 保持驗證方法，因此在這裡它們似乎根本不重要。 |
| 實際上，該模型僅能解釋我們數據集中變化的4％。 |
| 因此，這很……我們認為這大大減少了模型中的項數，因此我們開始思考，好吧，也許我們對於為生成的驗證集有點不走運 |
| 建立這個特定的模型，我們認為我們... JMP Pro中最棒的事情之一就是我們可以使用這種廣義的回歸平台，從本質上來說...輸出基本上與逐步回歸中的輸出相同，但是在這種情況下 |
| 在廣義回歸平台上，我們能夠使用此仿真功能。 這基本上是根據需要多次重複運行模型。 |
| 然後將其用於所生成的每個模型，它使用不同的驗證集。這就是我們接下來要採用的方法。 |
| 而且因為 |
| 我們無法列出我們生成的所有模型的全部，實際上，我們只是...我們試圖生成100個模型，或者我們對模型進行了100次仿真。 因此，我們無法在此處列出所有列表。 |
| 我們想要總結結果的方法是...我們試圖計算經過這100次模擬後，選擇一個特定因子以包含在模型中的次數。 |
| 因此，這正是此圖在此處顯示的內容。 所以在右邊...在左邊 |
| 我們只是...這些只是參數估計。 只是觀察數據的分散性很好。 和這裡， |
| 如您所見，我們擁有X13，X8，而當我們不使用此方法時，這個交互項實際上很重要。 這里以X13為例，它只是...被拾取了46次 |
| 包含在模型中，或有46％的時間包含在模型中，因此，這是一個很小的數字，正如我們期望的那樣， |
| 這些因素在我們不使用此方法時非常重要。 所以 |
| 我們採用保留驗證方法得出的結論是，對於科學家，尤其是當我們構建模型和 |
| 我們發現這些變量非常重要，並且與我們的科學理解不太吻合。 所以我們得出的另一個結論是 |
| 特別是對於本研究而言，我們可以安全地假設，我們研究的過程屬性不會顯著影響載體滴定度。 所以我現在要交給喬治。 他將談論自動驗證。 |
| 喬治·帕門特 | 大家好，我叫喬治。 我在牛津生物醫學公司的淨化小組工作。 我將談論有關此自動驗證的內容 |
| JMP提供給我們的方法及其在實驗設計中的特定用途，例如數據結構。 我將談一點我們如何使用該方法從病毒載體純化的優化模型中實際刪除變量。 |
| 好的，所以從不了解病毒載體純化的背景知識入手。 |
| 因此，從本質上講，我們從生物反應器接收到這種細胞培養材料。 |
| 而且該物質是非常粗糙的物質，因此包括我們感興趣的治療藥物在內的都是非常病毒的載體，其中還包括數千種其他物種，污染物物種。 |
| 它們可以是任何東西，從不需要的蛋白質到細菌DNA，有時甚至是無效的病毒。 |
| 因此，純化的目的實際上是從所有這些不同的污染物中分離出我們的純病毒載體產品。 |
| 但是，這些過程可能是非常複雜的過程，而且您知道，涉及色譜或酶處理以及許多影響其性能的因素。 因此，我們需要一種有效選擇最佳條件以達到最佳純度的方法。 |
| 而且我們經常這樣做的方法是使用實驗設計。 以及在整個生物過程開發時間表中通用的實驗設計， |
| 我們本質上使用它們來篩選，優化和全面表徵我們的生物過程。 |
| 從本質上講，隨著我們在藥物開發時間表中的進展，在我們邁向商業化生產的過程中，我們的實驗規模不斷擴大。 |
| 實際上，我們可以做的實驗數量在減少，並且隨著我們越接近商業產品，改變事物的難度就越大。 |
| 因此，我們需要能夠在開發時間表的早期就做出明智的決策，而我們的方法是 |
| 開發有效的模型。 因此，如果我們早期就有一個有效的模型，那麼它一定會讓我們充滿信心，因為我們在進行程序規模時會選擇最佳條件。 |
| 因此，我將詳細介紹我們如何在特定示例中使用這種自動驗證技術。 因此我們進行了響應面設計實驗 |
| 在病毒載體純化步驟中，我們仍然無法與您共享實際數據，但是我們不得不在此處進行標準化。 |
| 因此，這是一個三因素設計空間，我們的...以及我們感興趣的輸出或響應變量就是此雜質水平。 因此，這種雜質水平可能就是污染的DNA蛋白的量，這就是這種描述。 |
| 因此，這樣做的目的實際上是針對可能的最低雜質水平優化這些模型。 |
| 這就是我們最初在JMP設置中的樣子，其中包含三個輸入變量和此響應雜質。 |
| 因此，我們最初使用逐步回歸平台和Lasso回歸構建了一些模型，這是JMP Pro的功能。 |
| 實際上，在開始時，我們對看到的結果感到非常滿意，因此，我們解釋了很多數據。 |
| 我們似乎很好地解釋了這一點，並且開始看到我們期望看到的變數。 |
| 但是有一個變量使我們不太確定，那就是這種X1 X3交互，您可以在這裡看到我突出顯示的內容。 |
| 如果您將注意力吸引到屏幕的右上角，則可以看到該X1配置文件完全更改，具體取決於 |
| X3的值，所以在X 3的值較低時，說實話，我們沒有這種真正的影響，然後在X3的值較高時，我們就有這種正相關。 |
| 這實際上使我們感到困惑，這有點令人擔憂，因為實際上X1 X3交互確實不符合我們科學地理解的範圍。 |
| 因此，這讓我們有些困惑，也有點像我們的模型真正說明了我們正確看到的數據。 |
| 從這個X3變量實際上是已知的意義上來說，它對流程開發也具有重大的現實意義。 |
| 改變很多。 所以我在這裡使用的類比是，如果我們正在開發兩種藥物的給藥方式，那麼X1和X2 |
| 我們發現劑量實際上取決於患者的年齡（例如X3），這是您真正需要挖掘和表徵的東西。 因此，探索這種相互作用實際上還需要大量額外的實驗成本，並且要及時進行。 |
| 因此，我們希望以此為基礎運行一些驗證方法，因此我們諮詢了JMP的同事， |
| 他們本質上對我們說，不幸的是，他們實際上不可能在實驗數據結構的設計中使用這種保留驗證。 |
| 原因是，如果可以想像，我將70％的驗證集分配了這種訓練集，用於我在設計空間中的數據， |
| 我們實際上是在構建模型，但實際上完全缺少了設計空間的一部分。 因此，在DOE數據集上使用此保留驗證並不真正適用。 |
| 因此，JMP的同事通過這種自動驗證來找我們。 |
| 而且向我解釋的方式實質上是您將對整個數據集進行重新採樣。 因此，您可以將整個數據集用於訓練，而將整個數據集用於驗證。 |
| 乍看起來似乎有點像作弊，這確實對我造成了影響，但我被告知，公平實現這一目標的方法是 |
| 是通過應用這三列額外的列，並且實際上是通過減少的分數加權自舉權重。 |
| 而且，從本質上講，我認為這裡的想法是，如果您在模型訓練中使用一條數據，那麼您將不願使用該條數據，以便您在驗證中不使用相同的數據，並且這就是您如何避免重複計算數據的想法。 |
| 因此，我們使用了這種方法。 我們在模型上運行它。 在這裡，您可以看到JMP中的設置，我們再次使用此通用回歸平台，它是JMP Pro工具。 |
| 這與Jose解釋的內容幾乎相同，但沒有模擬不同的內容 |
| 訓練和驗證作業，我們實際上模擬了這種部分加權。 因此，我們多次模擬以生成不同的模型，而實際上我們經歷了500次。 |
| 再次，所以我們的數據輸出現在就像右圖所示，在右側是一個特定變量多少次的直方圖 |
| 列在我們的模型中，在此處的左側，您已經從各種模型獲得了這些參數估計值。 |
| 實際上，我剛剛在這裡畫了這條紅線，並將其稱為零因子線。 因此，這種空因子變量的操作有點像偽變量。 |
| 因此我們知道這是一個無意義的變量，因為如果我們看一下左側的空因子，您會發現其參數估計值分佈在零附近，因此它並不真正知道該去哪裡。 |
| 因此，我們劃定這條線，並說，任何……首次出現空值因素時，任何低於此值的東西我們都將很可能認為是非真正的影響。 |
| 因此，這是一系列非真實術語。 我用藍色突出顯示了該X1 X3交互，這是值得關注的問題。 |
| 您可以在這裡看到它出現的次數減少了，並且產生了許多零因素影響，因此這是我們有第一個跡象表明這可能不是真正的影響。 |
| 所以我們不想就此停下來。 我們對此進行了多次迭代 |
| 自動驗證設置，我這裡只是生成了三個示例。 但是，在每個示例中，您都可以看到以藍色突出顯示的是X1 X 3交互作用始終低於該紅色線，該空因子線。 |
| 因此，基於此，我們非常有信心我們所看到的可能不是真正的效果，因此我們能夠從所需的模型中消除這一點。 |
| 現在只是對我們所得到的最終輸出進行比較。 因此，在左側是我們構建的包含X1 X3交互的初始模型。 |
| 然後在右側，我們刪除了該自動驗證的模型。 |
| 我想，我們注意到的第一件事實際上是R平方的減小。 因此，起初看來您似乎在解釋較少的數據，但實際上，現在我們對所解釋的是真實的有了更多的信心。 |
| 您可以在此處看到輸出的最小化優化條件的差異。 |
| 實際上，就處理而言，這實際上為我們帶來了許多好處。 因此，請記住，這些都是現實生活中的變量，它們背後都有真實的事物。 |
| 因此，實際上，這個X1變量對於我們的過程而言是非常昂貴的事情。 因此，我們非常……很高興看到我們可以減少該變量。 |
| 同樣，由於X2變量下降，實際上，由於科學原因，這實際上也對我們的過程有好處，因此我們也可以減少它，這對我們是有益的。 |
| 我猜這些都是偶然的巧合，但我們真正感到高興的是，實際上， |
| 您可以看到刪除了X1 X3交互，我們看到X1和X2的輪廓實際上是恆定的，並且與 |
| 我們所期望的科學理解，因此我們很高興觀察到這一點。 顯然，我們現在已經離開了，我們通過跟踪實驗測試了這兩個模型，以查看哪個模型表現最好。 |
| 在所有情況下，實際上……這個經過自動驗證的模型與我們在最終最終實驗中看到的觀察結果一致。 |
| 麗貝卡，我現在將其交還。 |
| 麗貝卡·克拉克（Rebecca Clarke） | 我將對我們所討論的內容做一個簡短的總結。 因此，我們知道非真實的影響對於生物加工的開發時間表和實驗成本都具有現實意義。 |
| 在這裡，我們研究了兩種驗證方法來幫助我們進行生物過程，以突出我們可以從優化實驗中消除的潛在非真實影響。 |
| 因此，我們成功使用了保留驗證工具從優化列表中刪除了許多參數，然後在DOE類型實驗中也使用了自動驗證。 |
| 並且，在這些情況下，生成的模型隨後也將通過實驗工作進行確認。 因此，總的來說，我們對如何使用JMP Pro感到非常滿意， |
| 特別是，我們生物過程中的驗證方法可以幫助我們節省大量時間和資源，而不必關注非真實效果。 |
| 最後，我們要感謝JMP的Robert Anderson和Anna Roper在整個演示過程中對我們的幫助，對我們來說就是這樣，並感謝您的收聽。 |
