スピーカー | トランスクリプト |
| レベッカ・クラーク | みなさん、こんにちは。私の名前はレベッカです。今日はホセとジョージが加わりました。今日は、JMP Pro検証方法を使用して、誤った影響の調査に時間を浪費するのを防ぐ方法について説明します。 |
| それで、最初に私は私たちを会社として紹介し、私たちが何をしているのかを紹介します。 私たちはオックスフォードバイオメディカで働いています。 |
| 私たちは遺伝子および細胞治療ビジネスのパイオニアであり、レンチウイルスベクターの研究、開発、およびバイオプロセシングにおいて主導的な地位を占めています。 |
| そのため、この分野で20年以上の経験があります。 私たちは、レンチウイルスベクター（？）ベースの治療法でヒトを治療した最初の会社でした。 いくつかの |
| 私たちが協力している地元のパートナーはここの右下にリストされているので、私たちはノバルティス、ソノフィ、ベーリンガーインゲルハイム、オーチャードセラピューティクスと協力しており、治療する症状には、癌、中枢神経系障害、嚢胞性線維症などがあります。いくつか。 |
| そのため、昨年、英国のワクチンコンソーシアムにサインアップしたときに、オックスフォードバイオメディアもCOVID-19との戦いに参加しました。 |
| そして、コンソーシアムはオックスフォード大学のジェンナー研究所によって運営されており、目標はCOVID-19ワクチン候補を迅速に開発することでした。 |
| そして、このコンソーシアムに参加することにより、オックスフォードバイオメディカは、コンソーシアムが私たちの最先端技術にアクセスできるようにすることで、ワクチンのこのスケールアップされた製造を可能にしました???スイート。 その後、アストラゼネカと臨床および商業供給契約を締結しました。 |
| そして、この合意により、臨床試験で成功したことが証明された場合に、アストラゼネカCOVIDワクチンを供給することに合意しました。 そして、皆さんご存知のとおり、ワクチンは確かに成功しており、OxfordBiologicaは今日までCOVID-19ワクチンを製造し続けています。 |
| そこで、ここで、次にOXBで使用するプロセスについても簡単に紹介したいと思います。 |
| つまり、バイオプロセスとは、生細胞またはその成分を使用して目的の製品を取得するプロセスであり、よく知られています。 |
| そのようなプロセスの例は、アルコール飲料の発酵です。 |
| そして、このプロセスの間、酵母は生きている成分であり、酵母とビールを醸造するために必要な他のすべての成分がバイオリアクターに入れられ、酵母は発酵と呼ばれる化学反応を開始します。 発酵中にブドウ糖はエタノールに変換されます。 |
| そして、この発酵反応が完了すると、バイオリアクターの内容物が収穫され、ろ過によって精製され、最終製品であるビールが残ります。 |
| したがって、ここオックスフォードバイオメディカで利用するプロセスは発酵に似ています。 したがって、私たちのプロセスの生きている要素は |
| 細胞培養なので、バイオリアクターを使って細胞培養やレンチウイルス因子を作るのに必要な他の成分を入れました。 |
| この製造プロセスの最後に、バイオリアクターの内容物は下流の処理に渡され、そこで製品が精製され、瓶詰めされて患者に使用するために出荷されます。 |
| したがって、このスライドは、医薬品開発のライフサイクルを示しているにすぎません。 ですから、一番下の左側は研究段階です。 |
| したがって、病気のメカニズムで重要な標的遺伝子またはタンパク質を特定するのはこの段階です。 |
| そして、私たちはこれらの標的に対する薬も開発し、その薬が病気を標的とする能力に成功しているかどうかを示します。 |
| そして、ライフサイクルの最後に、患者に使用するために薬を製造して瓶詰めする商業的製造を行っています。 |
| したがって、私たちのグループであるプロセス、研究開発グループは、これら2つの段階の間に位置します。 生産プロセスを設計、最適化、スケールアップするのが私たちの仕事です |
| 医薬品を研究ベンチから製造に移します。 私たちが使用するプロセスのいくつかには、小規模の振とうフラスコが含まれ、最大50リットルのバイオリアクターまで正しく機能します。 |
| そのため、ご想像のとおり、作業中に大量のデータが生成され、バイオリアクターには監視および最適化する必要のある多くの入力パラメーターがあります。 |
| 生成するデータの量が非常に多いため、最適化中にどのパラメーターに焦点を当てるべきかを識別するのは非常に困難です。 |
| また、処理する必要のあるパラメーターの数が非常に多いため、各パラメーターを個別に最適化することは商業的に実行可能ではないため、現時点では、統計モデリングに注目します。 |
| また、モデルを使用して、最適化する必要のある潜在的なパラメーターのリストを絞り込みます。 |
| したがって、これらのモデルは有用ですが、作業中に多くのランダムノイズが発生します。これは、バイオプロセッシングの生きた性質によるものであるため、2つの文化が同じになることはありません。 |
| したがって、このランダムノイズは明らかに統計モデルに組み込まれ、最適化実験中に非正規の効果を調べる時間を無駄にする可能性があります。 |
| したがって、このことを念頭に置いて、JMP Pro、特に検証機能の使用を検討しました。 |
| これにより、確認するパラメーターのリストをさらに絞り込み、モデルから非正規の効果を削除し、さらに |
| モデルの過剰適合を回避するためです。 それでは、データ検証方法全体について説明するJoseに引き継ぎます。 |
| ジョゼゴンカルベス | そうです、私の名前はホセです。最適化の方法全体について説明します。これは方法です。これは、JMPProでのみ使用できるモデリングツールです。 使用方法を探求することに興味がありました... OXBでどれほど役立つか... |
| 私はそれがどれほど役立つかを見ました |
| バイオプロセスデータのモデリングのためにOXBに。 レベッカが言っていたように、 |
| プロセスでこれらのsteritank（？）リアクターを使用し、基本的に細胞をこれらのバイオリアクターに成長させ、これらのウイルスベクターを生成します。 |
| 主要製品。 これは...最大化したいものであり、モデル化したいものなので、これが実際の応答変数です。 |
| また、バイオリアクターは多くの制御入力を必要とし、1つの製造プロセスで多くのデータを生成するため、どの入力出力が調査に値するかを判断するのに役立つツールがあります。 |
| それは私たちにとって大きな価値があるでしょう。 これにより、時間を節約し、リソースを解放し、プロセス調査へのより的を絞ったアプローチが可能になります。 |
| そのため、モデル構築に取り掛かる前に、最初に履歴バッチからできるだけ多くのデータを収集する必要がありました。 |
| したがって、このデータは、生産プロセスがどのように実行されているかを示し、データの異常は、ベクター力価に悪影響を与える可能性があることを示しています。 左側にあるので、 |
| 20個の変数からデータを収集しましたが、残念ながら、変数の実際の名前を表示できず、データを匿名化する必要がありました。 |
| したがって、ここではX1からX20までをリストします。プロセスは非常に動的なプロセスであるため、予測子間の共線性の程度を期待することはできません。 そう |
| 要約すると、モデルに対する20個の変数または20個の候補予測子を含むデータセットがあり、67個の履歴バッチからデータを収集しました。 |
| したがって、これはJMP Proトライアルの一部であったため、最初に標準のJMPを使用してモデルを構築し、それをホールドを使用して構築された別のモデルとの比較として使用することは素晴らしいことだと考えました。配合方法。 |
| ここでは、検証方法なしでモデルを構築するために、JMPの標準モデリングプラットフォームを使用し、 |
| ここでは、すべての主効果、交互作用項、および二乗項をモデルに入力できるようにするために、応答曲面モデルを選択しました。 そしてここで、性格において、私たちは段階的な進歩をすることを選びました。 ですから、ここ右側では、 |
| ステップワイズ回帰のコントロールパネルがあり、停止ルールをP値のしきい値として使用しているため、残りのパラメーターはデフォルトのままにしておきます。 |
| そして、ステップワイズ回帰を実行した後、これが生成された最終モデルでした。 |
| したがって、ここでは、モデルに8つの用語があり、そのうちの7つが実際に重要であることがわかります。 ですから、ここで最初の3つの要素だけに注意を向けたいと思います。なぜならそれらは...私たちのモデルでは非常に重要であり、 |
| 私が示すつもりであるとき、いくつかのスライドで非常に重要です |
| 結果...結果 |
| ホールドアウト検証方法を使用してアプローチする場合、ここでの古いモデルは重要であり、データセットの変動の約44％を説明できます。 |
| したがって、これは私たちの最初のアプローチの一種でした。 |
| 生成されたこの最初のモデルには満足していましたが、検証方法についてもっと知りたいと思っていました。 |
| これらすべての予測因子を調査するには、かなりの時間と実験リソースが必要になるため、次に採用したアプローチはそれでした。 |
| したがって、このホールドアウト検証方法がどのように機能するかについての概要は次のとおりです。 |
| そして、基本的に、データセットがあり、データセットはランダムに2つのグループに分割されます。 したがって、左側では、データの70％が |
| モデルを排他的に構築するために使用されるデータの割合であるトレーニングセットに割り当てられます。 |
| そして、ここの右側には、検証セットに割り当てるデータの30％があります。これは、使用されるデータの割合です。 |
| このRが検証セットの最大値の2乗になったときに、モデル構築プロセスを停止します。 だからここの一番下に、 |
| ご覧のとおり、これはステップワイズ回帰プラットフォームのスクリーンショットであり、基本的に以前に使用したものと同じですが、停止ルールとして、これが次のようになっていることを示しています。 |
| p値のしきい値の代わりに最大検証Rの2乗。 だからここで、下部のこのグラフは、 |
| トレーニングセットがあり、ここに検証セットがあり、除外とラベル付けされています。 |
| ご覧のとおり、モデルに用語を入力し始めると、トレーニングセットは |
| ここにこのルール、この順方向ルールがあるため、モデルにゼロ項から始めて、段階的にモデルに項を追加します。 |
| これらの項を追加し始めると、モデルに5つの項が含まれるまで、Rの二乗は非常に速く増加し、その後、Rの二乗の改善はあまり増加しません。 |
| 私たちが始めるとき...私たちがますます多くの用語を追加し続けるとき。 したがって、このメソッドを使用するときに重要なことの1つは、検証セットに何が起こるかということでもあります。 |
| これは停止規則に関連しているためです。 したがって、モデルに用語を追加し始めると、基本的に同じことが起こります。 |
| 決定係数は非常に速く増加し、最大の決定係数に達するまで、そしてその後、さらに多くの項を追加し続けると、決定係数は減少します。 |
| したがって、これはまさにこの検証セットが行うことです...何...この検証セットを使用して、この段階でモデル構築プロセスを停止したいので、これらすべての用語をここに含めることができます。私たちのデータセットの変動の |
| モデルにこれらすべての用語を含めると、モデルの過剰適合が発生したり、実際にはまったく本物ではなかったりする可能性があります。 |
| つまり、ステップワイズ回帰を実行した後、これが生成された最終モデルであり、ご覧のとおり、8つまたは7つの重要な項から3つだけに削減されました。 そして、あなたが思い出すように、ここでのこれらの用語は、私たちが使用しなかったときに非常に重要でした |
| ホールドアウト検証方法であるため、ここではまったく重要ではないようです。 |
| 実際、このモデルでは、データセットの変動の約4％しか説明できません。 |
| それで、これはかなりでした...これはモデル内の用語の数がかなり劇的に減少したと思い、考え始めました。 |
| この特定のモデルを構築するために、私たちは私たちが... JMP Proの優れた点の1つは、この一般化された回帰プラットフォームを使用できることです。これは基本的に...出力は基本的にステップワイズ回帰と同じように見えますが、これでは |
| 一般化された回帰プラットフォームでは、このシミュレーション関数を使用できます。 そして、これが基本的に行うことは、モデルを何度も何度も再実行することです。 |
| そして、生成されるモデルごとにそれを使用し、異なる検証セットを使用します。これが私たちが次に取ったアプローチでした。 |
| そしてなぜなら |
| 生成したすべてのモデルを一覧表示することはできませんでした。基本的には、100個のモデルを生成しようとしたか、100個のモデルのシミュレーションを実行しました。 そのため、ここにすべてをリストすることはできませんでした。 |
| そして、結果を要約したかったのは、100回のシミュレーション後に特定の因子がモデルに含まれるようにピックアップされた回数を数えることです。 |
| したがって、これはまさにこのグラフがここに示しているものです。 だから右側に...左側に |
| ちょうど...これらは単なるパラメータ推定値です。 これは、データのばらつきを観察するだけの場合に適しています。 そしてここ、 |
| ご覧のとおり、X13、X8があり、この方法を使用しなかったときに実際に重要だったのは、この相互作用項です。 そしてここで、X13を例にとると、それはたったの... 46回しか拾われなかった |
| モデルに含まれるか、モデルに含まれる時間の46％であるため、これは非常に少ない数です。 |
| ここでのこれらの要因は、この方法を使用しなかったときに非常に重要でした。 そう |
| ホールドアウト検証方法の使用を引き受けるという結論は、科学者にとって、特にモデルを構築するときに、それが確かに優れたツールであるということです。 |
| これらの変数は重要であり、科学的理解には完全には適合していません。 だから別の...私たちが取る別の結論は |
| 特にこの研究では、研究したプロセス属性がベクター力価に大きな影響を与えないと安全に想定できるということです。 それで、私は今ジョージに引き渡すつもりです。 彼は自動検証について話すつもりです。 |
| ジョージ・パメンター | みなさん、こんにちは。私の名前はジョージです。 私はここオックスフォードバイオメディカの浄化グループで働いています。 この自動検証について少しお話します |
| JMPから提供された方法と、データ構造などの実験計画におけるその特定の使用法。 そして、ウイルスベクター精製の最適化モデルから変数を実際に削除するためにその方法論をどのように使用したかについて少しお話します。 |
| さて、知らない人のためのウイルスベクター精製の背景について少し説明することから始めましょう。 |
| したがって、基本的に、この細胞培養材料はバイオリアクターから受け取ります。 |
| そして、その材料は非常に粗い材料であるため、関心のある治療薬には非常にウイルスベクターが含まれ、他の何千もの種、汚染種も含まれます。 |
| そして、それらは、不要なタンパク質から細菌のDNA、時には効果のないウイルスまで、何でもかまいません。 |
| したがって、精製の目的は、純粋なウイルスベクター製品をこれらすべての異なる汚染物質から分離することです。 |
| しかし、これらは非常に複雑なプロセスになる可能性があり、クロマトグラフィーや酵素処理、およびそれらの性能に影響を与えるさまざまな要因が関係しています。 そのため、最高の純度に到達するために最適な条件を効率的に選択する方法が必要です。 |
| そして、私たちが多くの場合それを行う方法は、実験計画法を使用することです。 そして、バイオプロセス開発のタイムライン全体で共通する実験計画法、 |
| 私たちは基本的に、それらをスクリーニング、最適化、およびバイオプロセスの完全な特性評価に使用します。 |
| 基本的に、医薬品開発のタイムラインを進むにつれて、商業生産に移行するにつれて、実験の規模が大きくなります。 |
| 実際にできる実験の数は減り、商品に近づくほど物事を変えることがますます難しくなります。 |
| そのため、開発タイムラインの早い段階で賢明な意思決定を行えるようにする必要があります。これを行う方法は次のとおりです。 |
| 効果的なモデルの開発。 したがって、早い段階で効果的なモデルがあれば、手順の規模を検討するときに最適な条件を選択したという自信が得られます。 |
| そこで、特定の例でこの自動検証テクノロジーをどのように使用したかについて詳しく説明します。 そこで、実験の応答曲面計画法を実施しました |
| ウイルスベクターの精製ステップで、実際のデータを共有することはできませんが、ここで正規化する必要があります。 |
| つまり、これは3因子の設計空間であり、私たちの...そして関心のある出力または応答変数はこの不純物レベルです。 したがって、この不純物レベルは、汚染されたDNAタンパク質の量である可能性があり、その説明の一部です。 |
| したがって、これの目標は、これらのモデルを可能な限り低い不純物レベルに最適化することでした。 |
| これが、JMPセットアップで最初に見た方法です。3つの入力変数があり、この応答は不純です。 |
| そのため、最初に、JMP Proの機能であるステップワイズ回帰プラットフォームとラッソ回帰を使用して、いくつかのモデルを構築しました。 |
| 実際、最初は、私たちが見ているものに非常に満足していたので、かなり多くのデータを説明していました。 |
| 私たちはそれを非常にうまく説明しているようで、私たちが期待する変数が現れるのを見始めました。 |
| しかし、そのような変数が1つあり、それがX1 X3の相互作用であり、ここで強調表示したことがわかります。 |
| 画面の右上に注意を向けると、このX1プロファイルがに応じて完全に変化することがわかります。 |
| X3の値なので、X 3の値が低い場合、正直に言うと、この種の実際の効果はありません。次に、X3の値が高い場合、この種の正の相関があります。 |
| そして、それは実際に私たちを本当に混乱させました、そしてそれは実際にこのX1 X3の相互作用が私たちが科学的に理解するものに実際に適合しなかったので、少し心配でした。 |
| そのため、私たちは少し混乱し、モデルも適切に表示されたデータを実際に説明しているようでした。 |
| また、このX3変数が実際に知られているという意味で、プロセス開発に重大な現実世界の影響を及ぼしました。 |
| かなり変化します。 したがって、ここで使用するアナロジーは、2つの薬剤、つまりX1とX2の薬剤投与を開発している場合、 |
| そして、実際の投与量は、患者の年齢、たとえばX3に依存することを発見しました。これは、実際に掘り下げて特徴づける必要があるものです。 したがって、この相互作用を調査するには、実際にはかなりの追加の実験コストと時間も必要でした。 |
| そこで、検証方法を実行したかったので、JMPの同僚に相談しました。 |
| そして彼らは本質的に私たちに言った、残念ながら、彼らは実験データ構造の設計にこのホールドアウト検証を使用することは実際には不可能でした。 |
| その理由は、ご想像のとおり、検証セットの70％を割り当てたためです。この種のトレーニングセットは、ここのデータのデザインスペースに割り当てられています。 |
| 実際にモデルを構築していますが、実際にはデザインスペースの一部が完全に欠落しています。 したがって、DOEデータセットでこのホールドアウト検証を使用することは実際には適用できません。 |
| そのため、JMPの同僚がこの自動検証を行ってくれました。 |
| そして、私に説明された方法は、基本的に、データセット全体をリサンプリングするというものでした。 したがって、データセット全体をトレーニングに使用し、データセット全体を検証に使用します。 |
| そして、それは一見不正行為のように見えるかもしれません、それは確かに私にはありました、しかし私はこれが公正に達成される方法が |
| これらの3つの追加の列を適用することによって、実際にはこの単純化された部分的に重み付けされたブートストラップの重みによってです。 |
| そして、基本的に、ここでの考え方は、モデルのトレーニングでデータを使用する場合、検証で同じデータをあまり使用しないように、それをワイトするということだと思います。これが、データを二重にカウントするというこのアイデアを回避する方法です。 |
| そのため、この方法を使用しました。 これをモデルで実行しました。 ここでは、JMPでのセットアップを確認できます。ここでも、JMPProツールである一般化された回帰プラットフォームを使用します。 |
| そして、ここでは、ホセが説明していたものとほとんど同じですが、異なるシミュレーションを行う代わりに |
| トレーニングと検証の割り当てでは、実際にこの部分的な重み付けをシミュレートします。 そのため、さまざまなモデルを生成するためにそれを何度もシミュレートし、実際にこれを500回実行しました。 |
| 繰り返しになりますが、データの出力は次のようになります。以前のJoseの場合、右側に特定の変数の回数のヒストグラムが表示されます。 |
| はモデルにリストされており、ここの左側には、さまざまなモデルからのこれらのパラメーター推定値があります。 |
| 私は実際にこの赤い線をここに描いたばかりで、これをヌルファクターラインと呼んでいます。 したがって、このヌルファクター変数は、偽の変数のように動作します。 |
| したがって、これは一種のナンセンス変数であることがわかります。ここで左側のnull係数を見ると、そのパラメーター推定値がゼロの周りに非常に広く分布していることがわかります。したがって、どこに行くべきかが実際にはわかりません。 |
| したがって、この線を引いて、ヌルファクターが初めて表示されたときは、それより下の値は、本物ではない効果である可能性が非常に高いと考えます。 |
| したがって、これは一種の非正規用語の範囲です。 そして、あなたが見ることができると確信しているように、私は青で強調しました、これは懸念の1つであったこのX1X3相互作用です。 |
| そして、ここでは、発生回数が少なく、ヌルファクター効果が多いことがわかります。したがって、これは、これが本物の効果ではない可能性があることを最初に示したものです。 |
| だから私たちはそこで止まりたくありませんでした。 異なる方法でこれを複数回繰り返しました |
| 自動検証の設定です。ここでは、3つの例を生成しました。 しかし、すべての例で青で強調表示されているように、このX1 X 3の交互作用は、この赤い線、このヌルファクター線よりも一貫して低くなっていることがわかります。 |
| それで、それに基づいて、私たちが見ているものはおそらく本物の効果ではないと確信していたので、私たちが望むモデルからそれを排除することができました。 |
| ここで、得られたものの最終出力の種類の比較にすぎません。 したがって、左側には、このX1X3インタラクションを含む最初のモデルがあります。 |
| そして右側は、それを削除したこの自動検証済みモデルです。 |
| そして、私たちが最初に気付いたのは、実際にはこの決定係数の減少であったと思います。 したがって、最初は説明しているデータが少ないように見えますが、実際には、説明している内容が実際に本物であると確信しています。 |
| そして、ここで、出力される最小化最適化条件の違いを確認できます。 |
| そして、これは実際、処理に関して、私たちにとって実際に多くの種類の利点をもたらしました。 したがって、これらはすべて実際の変数であり、背後に実際のものがあることを忘れないでください。 |
| したがって、このX1変数は、実際には、プロセスにとって非常に高価なものです。 ですから、私たちは非常に...その変数を減らすことができたのは良かったです。 |
| 繰り返しになりますが、このX2変数が低下するにつれて、それは実際には科学的な理由から、私たちのプロセスにとって非常に有益であるため、それも減らすことができます。これは私たちにとって有益でした。 |
| そして、これらは一種の幸せな偶然の偶然だと思いますが、私たちが本当に満足したことの1つは、実際には、 |
| このX1X3の相互作用を削除していることがわかります。実際には、X1とX2のプロファイルが一定であり、実際に |
| 私たちが期待していた科学的理解なので、これを観察することは非常にうれしかったです。 そして明らかに私たちは今は去りました、そして私たちはどちらが最高のパフォーマンスを示しているかを見るためにフォローアップ実験でそれらのモデルの両方をテストしました。 |
| そして、すべての場合において、これは実際には...この自動検証されたモデルは、最終的な最終実験で見た観察結果と一致しています。 |
| レベッカ、今すぐお返しします。 |
| レベッカ・クラーク | 私たちが話していたことの簡単な要約をするつもりです。 したがって、真ではない影響は、バイオプロセシングの開発スケジュールと実験コストの両方に現実世界の影響を与えることがわかっています。 |
| そしてここでは、最適化実験から排除できる潜在的な非真の影響を強調するために、バイオプロセスを支援する2つの検証方法を検討しました。 |
| そのため、最適化リストからいくつかのパラメーターを削除するために正常に使用したホールドアウト検証ツールを使用し、DOEタイプの実験中に自動検証も使用します。 |
| そして、これらの場合、生成されたモデルも後で実験作業によって確認されます。 全体として、JMPProの使用方法に非常に満足しています。 |
| 特に、バイオプロセス内の検証方法は、多くの時間とリソースを節約し、非真の効果に焦点を当てないようにするのに役立ちます。 |
| 最後になりましたが、このプレゼンテーション全体を通して私たちを助けてくれたJMPのRobertAndersonとAnnaRoperに感謝します。それは私たちにとってそれであり、聞いてくれてありがとう。 |
