Conférencier | Transcription |
| Rebecca Clarke | Bonjour à tous, et je m'appelle Rebecca et je suis rejoint aujourd'hui par Jose et George et aujourd'hui nous allons vous parler de la façon dont nous utilisons les méthodes de validation JMP Pro pour nous aider à arrêter de perdre du temps à enquêter sur les faux effets. |
| Donc, tout d'abord, je vais simplement nous présenter en tant qu'entreprise et ce que nous faisons. Nous travaillons pour Oxford Biomedica. |
| Nous sommes des pionniers dans le domaine de la thérapie génique et cellulaire, et nous occupons une position de leader dans la recherche, le développement et le biotraitement de vecteurs lentiviraux. |
| Nous avons donc plus de 20 ans d'expérience dans le domaine. Nous avons été la première entreprise à traiter les humains avec une thérapie à base de vecteur lentiviral (?). Certains |
| les partenaires locaux avec lesquels nous travaillons sont répertoriés ici en bas à droite, nous travaillons donc avec Novartis, Sonofi, Boehringer Ingelheim et Orchard Therapeutics et certaines des conditions que nous traitons comprennent le cancer, les troubles du système nerveux central et la fibrose kystique pour ne citer que cela quelques. |
| Ainsi, l'année dernière, Oxford Biomedia a également rejoint la lutte contre le COVID-19 lorsque nous nous sommes inscrits au consortium britannique pour les vaccins. |
| Et le consortium était dirigé par le Jenner Institute de l'Université d'Oxford et l'objectif était de développer rapidement un candidat vaccin COVID-19. |
| Et en rejoignant ce consortium, Oxford Biomedica a permis cette fabrication à plus grande échelle du vaccin en permettant au consortium d'accéder à notre état de l'art ??? suites. Suite à cela, nous avons ensuite signé un accord d'approvisionnement clinique et commercial avec AstraZeneca. |
| Et, avec cet accord, nous avons accepté de fournir le vaccin AstraZeneca COVID s'il s'avère être un succès dans les essais cliniques. Et comme je suis sûr que vous le savez tous, le vaccin a bel et bien réussi et Oxford Biologica continue de fabriquer le vaccin COVID-19 à ce jour. |
| Je veux donc simplement vous présenter brièvement les processus que nous utilisons ici et ensuite chez OXB. |
| Ainsi, un bioprocédé est un procédé qui utilise une cellule vivante ou ses composants pour obtenir un produit souhaité, donc bien connu |
| un exemple d'un tel procédé serait la fermentation de boissons alcoolisées. |
| Et pendant ce processus, la levure est le composant vivant et la levure ainsi que tous les autres ingrédients nécessaires pour brasser la bière sont placés dans un bioréacteur et la levure initie une réaction chimique appelée fermentation. Pendant la fermentation, le glucose est converti en éthanol. |
| Et puis, une fois cette réaction de fermentation terminée, le contenu du bioréacteur est ensuite récolté et purifié par filtration, puis il nous reste le produit final qu'est la bière. |
| Le processus que nous utilisons ici à Oxford Biomedica est donc similaire à la fermentation. Ainsi, la composante vivante de notre processus est |
| cultures cellulaires, donc avec les bioréacteurs nous mettons dans des cultures cellulaires et aussi les autres composants nécessaires pour fabriquer les facteurs lentiviraux. |
| À la fin de ce processus de production, le contenu du bioréacteur est transmis pour un traitement en aval, où le produit est purifié, puis il est mis en bouteille et expédié pour être utilisé chez les patients. |
| Cette diapositive montre donc simplement le cycle de vie du développement de médicaments. Donc, sur le côté gauche tout en bas se trouve l'étape de recherche. |
| C'est donc à ce stade que nous identifions les gènes ou protéines cibles qui sont importants dans les mécanismes de la maladie. |
| Et, et nous développons également des médicaments contre ces cibles et nous montrons si le médicament réussit dans sa capacité à cibler la maladie. |
| Et puis, à la toute fin du cycle de vie, nous avons la fabrication commerciale, où le médicament est fabriqué et mis en bouteille pour être utilisé chez les patients. |
| Notre groupe, le groupe Processus, Recherche et Développement, se situe donc entre ces deux étapes. C'est notre travail de concevoir, d'optimiser et d'augmenter le processus de production |
| et faire passer le produit pharmaceutique du banc de recherche à la fabrication. Certains des processus que nous utilisons comprennent des flacons à agitation à petite échelle et nous travaillons parfaitement jusqu'à des bioréacteurs de 50 litres. |
| Ainsi, comme vous pouvez l'imaginer, nous générons beaucoup de données au cours de nos travaux et les bioréacteurs ont de nombreux paramètres d'entrée que nous devons surveiller et optimiser. |
| Compte tenu du volume des données que nous générons, il est assez difficile de discerner sur quels paramètres nous devons nous concentrer lors de notre optimisation. |
| Et juste à cause du grand nombre de paramètres avec lesquels nous devons travailler, il n'est pas commercialement viable pour nous d'optimiser chacun d'eux individuellement, donc à ce stade, nous nous tournons vers la modélisation statistique. |
| Et nous utilisons les modèles pour essayer de réduire la liste des paramètres potentiels que nous devrions optimiser. |
| Et donc, bien que ces modèles soient utiles, nous générons beaucoup de bruit aléatoire pendant notre travail, et cela est dû à la nature vivante du bio-traitement, donc il n'y a pas deux cultures identiques. |
| Donc, ce bruit aléatoire est évidemment incorporé dans nos modèles statistiques et cela peut nous amener à perdre du temps à regarder des effets non réels lors de nos expériences d'optimisation. |
| C'est donc dans cet esprit que nous avons cherché à utiliser JMP Pro, en particulier les fonctionnalités de validation, |
| ce qui, espérons-le, nous aidera à affiner davantage la liste des paramètres que nous examinerons, à supprimer les effets non authentiques des modèles et également |
| pour nous éviter de sur-équiper nos modèles également. Alors maintenant, je vais passer la parole à Jose qui va vous parler de toute la méthode de validation des données. |
| José Goncalves | Bon, je m'appelle Jose et je vais parler de toute la méthode d'optimisation, c'est donc une méthode, c'est un outil de modélisation uniquement disponible sur JMP Pro. Nous étions intéressés à explorer comment utiliser ... comment cela pourrait être utile chez OXB pour ... |
| J'ai vu à quel point cela pouvait être utile |
| à OXB pour la modélisation des données de bioprocédés. Ainsi, comme le disait Rebecca, |
| nous utilisons ces réacteurs stéritank (?) dans notre processus et fondamentalement nous cultivons des cellules dans ces bioréacteurs et nous produisons ces vecteurs viraux, qui sont nos |
| produit principal. C'est un ... c'est ce que nous voulons maximiser et que nous voulons modéliser, c'est donc vraiment notre variable de réponse. |
| Et les bioréacteurs nécessitent de nombreuses entrées de contrôle et produisent beaucoup de données au cours d'un processus de production, donc disposer d'un outil pour aider à déterminer quelles entrées / sorties méritent d'être étudiées, |
| ce serait d'une grande valeur pour nous. Cela nous permettra de gagner du temps, de libérer des ressources et d'adopter une approche plus ciblée pour traiter les enquêtes. |
| Donc, avant de nous lancer dans la construction de modèles, nous devions d'abord collecter autant de données que possible à partir de lots historiques. |
| Et donc, ces données nous donnent des indications sur le fonctionnement de notre processus de production et toute anomalie dans les données pourrait indiquer un effet néfaste sur nos titres vectoriels. Donc ici sur le côté gauche, vous pouvez voir que |
| nous avons collecté les données à partir de 20 variables, malheureusement, nous n'avons malheureusement pas pu afficher les noms réels des variables et nous avons dû anonymiser les données. |
| Nous les listons donc ici de X1 à X20 et puisque notre processus est un processus assez dynamique, nous ne pouvons pas nous attendre au degré de colinéarité entre les prédicteurs. Alors |
| en résumé, nous avons un ensemble de données qui contient 20 variables ou 20 prédicteurs candidats à notre modèle, et nous, et nous avons collecté les données à partir de 67 lots historiques. |
| Donc, comme cela faisait partie de l'essai JMP Pro, nous avons pensé que ce serait une bonne chose à faire au début d'utiliser le JMP standard pour construire le modèle, puis de l'utiliser comme une comparaison de à à vers un autre modèle construit à l'aide de la cale méthode de formulation. |
| Ici, pour construire le modèle sans la méthode de validation, nous utilisons la plateforme de modélisation standard sur JMP et |
| nous avons sélectionné ici le modèle de surface de réponse car nous voulions permettre à tous les effets principaux, termes d'interaction et termes carrés d'entrer dans le modèle. Et ici, dans la personnalité, nous avons choisi de faire une progression par étapes. Alors ici sur le côté droit, |
| nous avons le panneau de contrôle de régression par étapes et nous utilisons la règle d'arrêt pour être notre seuil de valeur P, donc les paramètres restants, nous les avons laissés par défaut. |
| Et puis, après avoir exécuté la régression par étapes, c'était le modèle final qui a été généré. |
| Donc, ici, vous pouvez voir que nous avons huit termes dans le modèle et sept d'entre eux, ils sont en fait significatifs. Je voudrais donc attirer votre attention uniquement sur ces trois premiers facteurs, car ils ont ... ils sont très importants dans notre modèle, et ils seront |
| très important dans quelques diapositives lorsque je vais montrer |
| les résultats ... les résultats |
| lorsque nous nous approchons en utilisant la méthode de validation hold out, l'ancien modèle ici est significatif et peut expliquer environ 44% de la variation de notre ensemble de données. |
| Et donc, c'était en quelque sorte notre approche initiale. |
| Nous étions satisfaits de ce premier modèle qui a été généré, mais nous étions plus intéressés à en savoir plus sur les méthodes de validation. |
| Parce que pour étudier tous ces prédicteurs, cela prendrait beaucoup de temps et de ressources de laboratoire, c'est donc l'approche que nous avons adoptée ensuite. |
| Voici donc un aperçu du fonctionnement de cette méthode de validation d'exclusion. |
| Et, essentiellement, nous avons notre ensemble de données et notre ensemble de données sera divisé au hasard en deux groupes. Donc sur le côté gauche, 70% des données |
| sera, il affectera dans un ensemble d'apprentissage, qui est la proportion de données qui sera utilisée pour construire exclusivement le modèle. |
| Et ici sur le côté droit, nous avons 30% des données que nous allons attribuer à un ensemble de validation, et c'est la proportion de données qui sera utilisée |
| pour arrêter notre processus de construction de modèle lorsque ce R est au carré de l'ensemble de validation, qui est son maximum. Alors ici en bas, |
| nous pouvons voir, il s'agit d'une capture d'écran de la plate-forme de régression pas à pas, qui est essentiellement la même que celle que nous utilisions auparavant, mais il y avait comme règle d'arrêt, ce qui montre que c'est, |
| la validation maximale R au carré au lieu de notre seuil de valeur p. Alors et ici, ce graphique en bas, ça montre |
| nous avons l'ensemble de formation et nous avons l'ensemble de validation ici, qui est étiqueté exclu. |
| Et donc, comme vous pouvez le voir, l'ensemble de formation, alors que nous commençons à entrer des termes dans le modèle, |
| parce que nous avons cette règle ici, cette règle de direction avant, nous commençons avec zéro terme dans le modèle, puis nous procédons par étapes pour ajouter des termes dans le modèle. |
| Au fur et à mesure que nous commençons à ajouter ces termes, le R au carré augmente assez rapidement, jusqu'à ce que nous ayons cinq termes dans le modèle et ensuite, il n'y a pas beaucoup d'augmentation de l'amélioration du R au carré. |
| quand nous commençons ... quand nous ajoutons de plus en plus de termes. Et donc l'une des choses importantes lorsque nous utilisons cette méthode est également ce qui se passe dans l'ensemble de validation, |
| parce que cela est lié à notre règle d'arrêt. Et donc ce qui se passe est essentiellement le même que nous commençons à ajouter des termes dans le modèle, |
| le R au carré augmente assez rapidement, jusqu'au moment où nous atteignons le maximum R au carré, puis après ce point, à mesure que nous ajoutons de plus en plus de termes, le R au carré diminue. |
| Et donc, c'est exactement ce que fait cet ensemble de validation ... quoi ... nous voulons utiliser cet ensemble de validation pour arrêter le processus de construction du modèle à ce stade, afin que nous puissions inclure ici tous ces termes qui expliquent le plus de la variation de notre ensemble de données et éviter |
| l'inclusion de tous ces termes dans le modèle qui pourraient créer un surajustement du modèle ou qui pourraient ne pas être authentiques du tout. |
| Donc, après avoir exécuté la régression par étapes, c'était donc le modèle final qui a été généré et, comme vous pouvez le voir, nous avons eu une réduction de huit ou sept termes significatifs à seulement trois. Et, comme vous vous en souvenez, ces termes ici étaient très significatifs lorsque nous n'utilisions pas le |
| la méthode de validation des retenues et donc ici, elles ne semblent pas du tout significatives. |
| Et en fait, ce modèle ne peut expliquer qu'environ 4% de la variation de notre ensemble de données. |
| Et donc, c'était assez ... nous avons pensé que c'était une diminution assez spectaculaire du nombre de termes dans le modèle et nous commençons à penser, d'accord, peut-être que nous avons été un peu malchanceux avec l'ensemble de validation qui a été généré pour pour |
| pour avoir construit ce modèle particulier et nous avons pensé que nous ... L'une des grandes choses dans JMP Pro est que nous pouvons utiliser cette plate-forme de régression généralisée, qui est essentiellement ... le résultat est essentiellement le même que dans une régression par étapes, mais dans ce |
| plateforme de régression généralisée, nous sommes en mesure d'utiliser cette fonction de simulation. Et ce que cela fait essentiellement est de réexécuter le modèle encore et encore, autant de fois que nous le voulons. |
| Et puis utilisez-le pour chaque modèle généré, il utilise un jeu de validation différent. c'est donc l'approche que nous avons adoptée ensuite. |
| Et parce que |
| nous ne pouvions pas lister tous les modèles que nous avons générés, essentiellement nous ... nous avons essayé de générer 100 modèles, ou nous avons fait 100 simulations de modèles. Nous ne pouvions donc pas tous les énumérer ici. |
| Et la façon dont nous voulions résumer les résultats est de ... nous avons essayé de compter le nombre de fois qu'un facteur particulier a été choisi pour être inclus dans le modèle après ces 100 simulations. |
| Et donc, c'est exactement ce que montre ce graphique ici. Donc sur la droite ... sur le côté gauche |
| nous avons juste ... ce ne sont que les estimations des paramètres. C'est bien juste pour observer la dispersion des données. Et ici, |
| comme vous pouvez le voir, nous avons le X13, le X8 et ce sont ces termes d'interaction qui étaient en fait significatifs lorsque nous n'utilisions pas cette méthode. Et ici si nous prenons comme exemple, X13, c'était seulement ... il n'a été repris que 46 fois |
| à inclure dans le modèle ou 46% du temps à inclure dans le modèle, et donc, ce qui est un nombre assez faible, comme nous nous attendions depuis |
| ces facteurs ici, ils étaient très significatifs lorsque nous n'utilisions pas cette méthode. Alors |
| la conclusion que nous prenons en utilisant la méthode de validation de la mise en attente est que c'est définitivement un bon outil à avoir pour les scientifiques et en particulier lorsque nous construisons des modèles |
| nous avons ces variables qui s'avèrent significatives et elles ne correspondent pas tout à fait à notre compréhension scientifique. Donc une autre ... une autre conclusion que nous prenons est que |
| spécifiquement pour cette étude est que nous pouvons supposer en toute sécurité que les attributs de processus que nous avons étudiés n'ont pas d'impact significatif sur nos titres vectoriels. Je vais donc céder la parole à George maintenant. Il va parler de l'autovalidation. |
| George Pamenter | Ok salut tout le monde, je m'appelle George. Je travaille dans le groupe de purification ici Oxford Biomedica. Je vais parler un peu de cette autovalidation |
| méthode qui nous a été proposée par JMP et son utilisation spécifique dans la conception d'expériences, comme la structure de données. Et je vais parler un peu de la façon dont nous avons utilisé cette méthodologie pour supprimer réellement une variable d'un modèle d'optimisation de la purification des vecteurs viraux. |
| D'accord, donc juste pour commencer par un peu de contexte sur une purification de vecteur viral pour ceux qui ne le savent pas. |
| Donc, essentiellement, nous recevons ce matériel de culture cellulaire des bioréacteurs. |
| Et ce matériel est un matériau assez brut, donc notre intérêt thérapeutique comprend des vecteurs très viraux, qui comprennent également des milliers d'autres espèces, des espèces contaminantes. |
| Et ils peuvent être n'importe quoi, des protéines indésirables à l'ADN bactérien ou parfois même des virus inefficaces. |
| Et donc le but de la purification est vraiment de séparer notre produit de vecteur viral pur de tous ces différents contaminants. |
| Mais il peut s'agir de processus extrêmement compliqués, et vous savez, impliquant la chromatographie ou des traitements enzymatiques et un certain nombre de facteurs différents qui affectent leurs performances. Nous avons donc besoin d'un moyen de sélectionner efficacement les meilleures conditions pour atteindre la meilleure pureté. |
| Et la plupart du temps, nous faisons cela en utilisant la conception d'expériences. Et la conception d'expériences communes tout au long de la chronologie de développement des bioprocédés, |
| nous les utilisons essentiellement pour cribler, optimiser et caractériser pleinement nos bioprocédés. |
| Essentiellement, au fur et à mesure que nous progressons dans le calendrier de développement des médicaments, alors que nous nous dirigeons vers la fabrication commerciale, la taille de nos expériences augmente. |
| Le nombre d'expériences que nous pouvons faire diminue, et il devient de plus en plus difficile pour nous de changer les choses à mesure que nous nous rapprochons d'un produit commercial. |
| Nous devons donc être en mesure de prendre des décisions intelligentes dès le début du calendrier de développement et la façon dont nous le faisons est de |
| développer des modèles efficaces. Donc, si nous avons un modèle efficace dès le début, cela nous donne en quelque sorte la certitude que nous avons choisi les meilleures conditions au fur et à mesure de notre échelle de procédure. |
| Je vais donc simplement détailler comment nous avons utilisé cette technologie d'auto-validation sur un exemple spécifique. Nous avons donc réalisé la conception de la surface de réponse des expériences |
| lors d'une étape de purification de vecteur viral et encore une fois, nous ne sommes pas en mesure de partager les données réelles avec vous, mais nous avons dû les normaliser ici. |
| Il s'agissait donc d'un espace de conception à trois facteurs et notre ... et notre variable de sortie ou de réponse d'intérêt est ce niveau d'impureté. Donc, ce niveau d'impureté pourrait être la quantité de protéine ADN contaminante, quelque chose de cette description. |
| L'objectif était donc vraiment d'optimiser ces modèles pour obtenir le niveau d'impureté le plus bas possible. |
| Et c'est ainsi que nous avons en quelque sorte regardé initialement dans nos configurations JMP, il y a trois variables d'entrée et cette impureté de réponse. |
| Nous avons donc initialement construit des modèles, en utilisant la plate-forme de régression pas à pas et aussi la régression Lasso, qui était une fonctionnalité de JMP Pro. |
| Et en fait, au début, nous étions très satisfaits de ce que nous voyions, donc nous expliquions pas mal de données. |
| Nous semblions bien l'expliquer et nous avons commencé à voir les variables que nous nous attendions à voir apparaître. |
| Mais il y avait une variable qui nous rendait moins sûrs, et c'était cette interaction X1 X3, vous pouvez voir que j'ai mis en évidence ici. |
| Si vous attirez votre attention sur le coin supérieur droit de l'écran, vous pouvez juste voir que ce profil X1 change complètement en fonction de |
| la valeur de X3, donc à des valeurs faibles de X 3, nous avons ce genre d'effet réel pour être honnête, et puis des valeurs élevées de X3, nous avons ce genre de corrélation positive. |
| Et cela nous a vraiment déroutés et c'était un peu inquiétant parce qu'en fait cette interaction X1 X3 ne correspondait vraiment pas à ce que nous comprendrions scientifiquement. |
| Donc, cela nous a un peu confus et c'était aussi un peu comme si nos modèles expliquaient vraiment les données que nous avions vues correctement. |
| Cela a également eu des implications significatives dans le monde réel pour le développement de processus dans le sens où cette variable X3 était en fait connue |
| changer un peu. Donc, l'analogie que j'utiliserais ici serait que si nous développions un dosage médicamenteux de deux médicaments, donc X1 et X2, |
| et nous avons découvert qu'en fait le dosage dépend de l'âge du patient, disons X3, c'est quelque chose qu'il faut vraiment creuser et caractériser. Donc, explorer cette interaction aurait en fait nécessité des coûts d'expérimentation supplémentaires importants et en temps, ainsi. |
| Nous voulions donc appliquer une méthodologie de validation à ce sujet, nous avons donc consulté nos collègues de JMP, |
| et ils nous ont essentiellement dit, malheureusement, qu'il n'était pas vraiment possible d'utiliser cette validation d'exclusion sur la conception de la structure des données d'expérience. |
| Et la raison en est que, si vous pouvez l'imaginer, j'ai attribué 70% d'un ensemble de validation, ce genre d'ensembles d'apprentissage à mes données ici à l'espace de conception, |
| que nous construisons réellement le modèle, mais en fait une partie complètement manquante de l'espace de conception. Il n'est donc pas vraiment applicable d'utiliser cette validation d'exclusion sur les ensembles de données DOE. |
| Ainsi, nos collègues de JMP sont venus nous voir avec cette autovalidation. |
| Et la façon dont cela m'a été expliqué était essentiellement que vous rééchantillonneriez l'ensemble de votre ensemble de données. Vous utilisez donc tout votre ensemble de données pour la formation et l'ensemble de votre ensemble de données pour la validation. |
| Et cela peut sembler à première vue un peu comme de la triche, c'est certainement le cas pour moi, mais on me dit que la manière dont cela est réalisé équitablement est |
| est par l'application de ces trois colonnes supplémentaires, et vraiment par ce poids bootstrap pondéré fractionnaire réduit. |
| Et, essentiellement, je pense que l'idée ici est que si vous utilisez un élément de données dans la formation de votre modèle, vous le feriez alors de sorte que vous n'utilisiez pas autant ce même élément de données dans la validation, et c'est ainsi que vous contournez cette idée de double comptage de vos données. |
| Nous avons donc utilisé cette méthodologie. Nous l'avons utilisé sur nos modèles. Ici, vous pouvez voir la configuration dans JMP et nous utilisons à nouveau cette plate-forme de régression généralisée, qui est un outil JMP Pro. |
| Et ici, c'est à peu près la même chose que ce que Jose expliquait, mais au lieu de simuler pour différents |
| missions de formation et de validation, nous simulons en fait cette pondération partielle. Nous simulons donc cela un certain nombre de fois pour générer différents modèles et nous sommes passés par là 500 fois. |
| Encore une fois, donc la sortie de nos données maintenant comme, vous pouvez voir, avec Jose avant, sur la droite, voici un histogramme du nombre de fois une variable particulière |
| a été répertorié dans notre modèle, et sur la gauche ici, vous avez ces estimations de paramètres à partir de divers modèles. |
| En fait, je viens de tracer cette ligne rouge ici et j'ai appelé cela la ligne de facteur nul. Donc, ce type de variable à facteur nul fonctionne un peu comme une fausse variable. |
| Nous savons donc que c'est une sorte de variable absurde car, si nous regardons le facteur nul à gauche ici, vous pouvez voir que ses estimations de paramètres sont assez largement distribuées autour de zéro, donc on ne sait pas vraiment où aller. |
| Et donc nous tirons cette ligne et nous disons que tout ... la première fois que ce facteur nul apparaît, tout ce qui est en dessous que nous considérerions très probablement comme un effet non réel. |
| C'est donc une sorte de gamme de termes non authentiques. Et j'ai mis en évidence en bleu, comme je suis sûr que vous pouvez le voir, cette interaction X1 X3, qui était celle qui était préoccupante. |
| Et vous pouvez voir ici que cela se produit moins de fois et beaucoup d'effets de facteur nul, donc c'était en quelque sorte la première indication que nous avions que cela pourrait ne pas être un effet réel. |
| Nous ne voulions donc pas nous arrêter là. Nous avons exécuté plusieurs itérations de ceci avec différents |
| configurations d'autovalidation, et je viens de générer trois exemples ici. Mais vous pouvez voir, dans chaque exemple, surligné en bleu, cette interaction X1 X 3 était constamment inférieure à cette ligne rouge, cette ligne de facteur nul. |
| Donc, sur cette base, nous étions assez convaincus que ce que nous voyions n'était probablement pas un effet réel, et nous avons donc pu l'éliminer des modèles que nous souhaitions. |
| Maintenant, juste une comparaison des types de sorties finales de ce que nous avons obtenu. Donc, à gauche, voici le modèle initial que nous avons construit qui incluait cette interaction X1 X3. |
| Et puis à droite, ce modèle autovalidé où nous l'avons supprimé. |
| Et je suppose que la première chose que nous avons remarquée était en fait cette réduction de R au carré. Donc, au début, il semble que vous expliquez probablement moins de données, mais en réalité, nous sommes beaucoup plus convaincus que ce que nous expliquons était réellement authentique. |
| Et vous pouvez voir ici la différence dans les conditions d'optimisation de minimisation qu'il génère. |
| Et cela avait en fait un certain nombre d'avantages pour nous, en fait, en termes de traitement. Alors rappelez-vous que ce sont toutes des variables réelles, elles ont de vraies choses derrière elles. |
| Donc, cette variable X1 en fait, c'est une chose très coûteuse pour nos processus. Nous avons donc été très ... c'était bien de voir que nous pouvions réduire cette variable. |
| Encore une fois, aussi lorsque cette variable X2 diminue, c'est en fait aussi, pour des raisons scientifiques, un avantage considérable pour notre processus, nous sommes donc en mesure de réduire cela également, ce qui nous a été bénéfique. |
| Et ce sont en quelque sorte des coïncidences heureuses, je suppose, mais la seule chose qui nous a vraiment plu, c'est qu'en fait, |
| vous pouvez voir la suppression de cette interaction X1 X3, nous voyions que les profils de X1 et X2 étaient constants et qui correspondaient vraiment à |
| la compréhension scientifique à laquelle nous nous attendions, nous avons donc été très heureux de l'observer. Et évidemment, nous sommes partis maintenant, et nous avons testé ces deux modèles avec des expériences de suivi juste pour voir lequel fonctionnait le mieux. |
| Et en toutes occasions, ceci en fait ... ce modèle autovalidé a été d'accord avec les observations que nous avons vues dans nos dernières expériences finales. |
| Je vais juste le rendre maintenant, Rebecca. |
| Rebecca Clarke | Je vais simplement faire un bref résumé de ce dont nous parlions. Nous savons donc que les effets faux ont des implications dans le monde réel à la fois pour les délais de développement et les coûts expérimentaux du biotraitement. |
| Et ici, nous avons examiné deux méthodes de validation pour nous aider dans nos bioprocédés, pour mettre en évidence un potentiel d'effets non vrais que nous pouvons éliminer de nos expériences d'optimisation. |
| Donc, l'outil de validation hold out que nous avons utilisé avec succès pour supprimer un certain nombre de paramètres de notre liste d'optimisation, puis nous utilisons également l'autovalidation lors de nos expériences de type DOE. |
| Et, dans ces cas, les modèles qui ont été générés sont également confirmés ultérieurement par des travaux expérimentaux. Donc, dans l'ensemble, nous avons été très satisfaits de la façon dont nous avons pu utiliser JMP Pro, |
| en particulier, les méthodes de validation au sein de nos bioprocédés pour nous aider à économiser beaucoup de temps et de ressources et ne pas se concentrer sur des effets faux. |
| Et juste pour finaliser, nous aimerions remercier Robert Anderson et Anna Roper de JMP qui nous ont aidés tout au long de cette présentation, et c'est tout pour nous, et merci de votre écoute. |
