Altoparlante | Trascrizione |
| Rebecca Clarke | Va bene ciao a tutti, e mi chiamo Rebecca e oggi sono raggiunto da Jose e George e oggi vi parleremo di come utilizziamo i metodi di convalida di JMP Pro per aiutarci a smettere di perdere tempo a indagare sui falsi effetti. |
| Quindi per prima cosa ci presenterò come azienda e cosa facciamo. Lavoriamo per Oxford Biomedica. |
| Siamo pionieri nel settore della terapia genica e cellulare e abbiamo una posizione di leadership nella ricerca, sviluppo e bioprocessing sui vettori lentivirali. |
| Quindi abbiamo oltre 20 anni di esperienza nel campo. Siamo stati la prima azienda a trattare gli esseri umani con una terapia basata sul vettore lentivirale (?). Alcuni dei |
| i partner locali con cui lavoriamo sono elencati qui in basso a destra, quindi lavoriamo con Novartis, Sonofi, Boehringer Ingelheim e Orchard Therapeutics e alcune delle condizioni che trattiamo includono cancro, disturbi del sistema nervoso centrale e fibrosi cistica solo per citarne alcune. |
| Quindi, l'anno scorso, anche Oxford Biomedia si è unita alla lotta contro COVID-19 quando ci siamo iscritti al consorzio per i vaccini del Regno Unito. |
| E il consorzio era gestito dall'Istituto Jenner dell'Università di Oxford e l'obiettivo era sviluppare rapidamente un candidato vaccino COVID-19. |
| E unendosi a questo consorzio, Oxford Biomedica ha consentito di aumentare la produzione del vaccino consentendo al consorzio di accedere al nostro stato dell'arte ??? suite. Quindi, in seguito a ciò, abbiamo firmato un accordo di fornitura clinica e commerciale con AstraZeneca. |
| E, con questo accordo, abbiamo deciso di fornire il vaccino AstraZeneca COVID nel caso in cui si rivelasse efficace negli studi clinici. E come sono sicuro tutti voi saprete, il vaccino ha avuto davvero successo e Oxford Biologica continua a produrre il vaccino COVID-19 fino ad oggi. |
| Quindi voglio anche solo introdurre brevemente i processi che usiamo qui e poi in OXB. |
| Quindi un bioprocesso è un processo che utilizza una cellula vivente oi suoi componenti per ottenere un prodotto desiderato, quindi un ben noto |
| esempio di un tale processo sarebbe la fermentazione delle bevande alcoliche. |
| E durante questo processo, il lievito è il componente vivente e il lievito e tutti gli altri ingredienti necessari per preparare la birra vengono messi in un bioreattore e il lievito avvia una reazione chimica chiamata fermentazione. Durante la fermentazione il glucosio viene convertito in etanolo. |
| E poi, una volta che questa reazione di fermentazione è completa, il contenuto del bioreattore viene quindi raccolto e purificato tramite filtrazione e quindi ci rimane il prodotto finale che è la birra. |
| Quindi il processo che utilizziamo qui a Oxford Biomedica è simile alla fermentazione. Quindi le componenti viventi del nostro processo sono |
| colture cellulari, quindi con i bioreattori mettiamo in colture cellulari e anche gli altri componenti necessari per produrre i fattori lentivirali. |
| Al termine di questo processo produttivo, il contenuto del bioreattore viene trasferito per la lavorazione a valle, dove il prodotto viene purificato e poi viene imbottigliato e spedito per l'utilizzo nei pazienti. |
| Quindi questa diapositiva mostra solo il ciclo di vita dello sviluppo dei farmaci. Quindi sul lato sinistro in fondo c'è la fase di ricerca. |
| Quindi è in questa fase che identifichiamo i geni bersaglio o le proteine che sono importanti nei meccanismi della malattia. |
| E sviluppiamo anche farmaci contro questi obiettivi e mostriamo se il farmaco ha successo nella sua capacità di combattere la malattia. |
| E poi, proprio alla fine del ciclo di vita, abbiamo la produzione commerciale, dove il farmaco viene prodotto e imbottigliato per l'uso nei pazienti. |
| Quindi il nostro gruppo, il gruppo Processo, Ricerca e Sviluppo, si trova tra queste due fasi. Il nostro compito è progettare, ottimizzare e aumentare il processo di produzione |
| e spostare il prodotto farmaceutico dal banco di ricerca alla produzione. Alcuni dei processi che utilizziamo includono flaconi shake su piccola scala e lavoriamo fino a bioreattori da 50 litri. |
| Quindi, come potete immaginare, generiamo molti dati durante il corso del nostro lavoro ei bioreattori hanno molti parametri di input che dobbiamo monitorare e ottimizzare. |
| Con l'enorme volume dei dati che generiamo, è abbastanza difficile discernere su quali parametri dovremmo concentrarci durante la nostra ottimizzazione. |
| E proprio a causa dell'enorme numero di parametri con cui dobbiamo lavorare, non è commercialmente fattibile per noi ottimizzare ciascuno individualmente, quindi a questo punto, guardiamo alla modellazione statistica. |
| E usiamo i modelli per cercare di restringere l'elenco dei potenziali parametri che dovremmo ottimizzare. |
| E così, sebbene questi modelli siano utili, generiamo molto rumore casuale durante il nostro lavoro, e questo è dovuto alla natura vivente del trattamento biologico, quindi non esistono due culture uguali. |
| Quindi questo rumore casuale viene ovviamente incorporato nei nostri modelli statistici e questo può portarci a perdere tempo a guardare effetti non reali durante i nostri esperimenti di ottimizzazione. |
| Quindi è stato tenendo presente questo aspetto che abbiamo cercato di utilizzare JMP Pro, in particolare le funzionalità di convalida, |
| che, si spera, ci aiuterà a restringere ulteriormente l'elenco dei parametri che esamineremo, rimuovere gli effetti non originali dai modelli e anche |
| per evitare che anche noi adattiamo eccessivamente i nostri modelli. Quindi ora vado a passare a Jose che ti illustrerà l'intero metodo di convalida dei dati. |
| Jose Goncalves | Bene, mi chiamo Jose e parlerò dell'intero metodo di ottimizzazione, quindi questo è un metodo, questo è uno strumento di modellazione disponibile solo su JMP Pro. Eravamo interessati a esplorare come usare ... quanto potesse essere utile a OXB per ... |
| Ho visto quanto potrebbe essere utile |
| a OXB per la modellazione dei dati sui bioprocessi. Quindi, come stava dicendo Rebecca, |
| usiamo questi reattori steritank (?) nel nostro processo e fondamentalmente coltiviamo cellule in questi bioreattori e produciamo questi vettori virali, che sono i nostri |
| prodotto principale. È un ... è ciò che vogliamo massimizzare e vogliamo modellare, quindi questa è davvero la nostra variabile di risposta. |
| E i bioreattori richiedono molti input di controllo e producono molti dati durante un processo di produzione, quindi avere uno strumento per aiutare a determinare quali input output sono degni di indagine, |
| sarebbe di grande valore per noi. Ci consentirà di risparmiare tempo, liberare risorse e consentire un approccio più mirato all'elaborazione delle indagini. |
| Quindi, prima di passare alla costruzione del modello, abbiamo dovuto raccogliere quanti più dati possibile dai batch storici. |
| E così, questi dati ci danno indicazioni su come sta funzionando il nostro processo di produzione e qualsiasi anomalia nei dati, potrebbe indicare un effetto dannoso sui nostri titoli vettoriali. Quindi qui sul lato sinistro, puoi vederlo |
| abbiamo raccolto i dati da 20 variabili, purtroppo purtroppo non siamo riusciti a mostrare i nomi effettivi delle variabili e abbiamo dovuto rendere anonimi i dati. |
| Quindi li elenchiamo qui da X1 a X20 e poiché il nostro processo è piuttosto dinamico, non possiamo aspettarci il grado di colinearità tra i predittori. Così |
| In sintesi, abbiamo un set di dati che contiene 20 variabili o 20 predittori candidati per il nostro modello, e noi e abbiamo raccolto i dati da 67 batch storici. |
| Quindi, poiché questo faceva parte della prova di JMP Pro, abbiamo pensato che sarebbe stata una cosa fantastica all'inizio utilizzare JMP standard per costruire il modello e quindi usarlo come confronto da a a a con un altro modello costruito usando la presa metodo di formulazione. |
| Qui, per costruire il modello senza il metodo di convalida, utilizziamo la piattaforma di modellazione standard su JMP e |
| abbiamo selezionato qui il modello della superficie di risposta perché volevamo consentire a tutti gli effetti principali, ai termini di interazione e ai termini quadrati di entrare nel modello. E qui, nella personalità, abbiamo scelto di fare una progressione graduale. Quindi qui sul lato destro |
| abbiamo il pannello di controllo della regressione graduale e usiamo la regola di arresto come soglia del nostro valore P, quindi i parametri rimanenti li abbiamo lasciati di default. |
| Quindi, dopo aver eseguito la regressione graduale, questo è stato il modello finale generato. |
| Quindi qui, puoi vedere che abbiamo otto termini nel modello e sette di essi sono effettivamente significativi. Quindi vorrei richiamare la vostra attenzione solo su questi primi tre tre fattori, perché hanno ... sono altamente significativi nel nostro modello e saranno |
| molto importante in un paio di diapositive quando vado a mostrare |
| i risultati ... i risultati |
| quando ci avviciniamo utilizzando il metodo di convalida dell'esclusione, quindi il vecchio modello qui è significativo e può spiegare circa il 44% della variazione nel nostro set di dati. |
| E quindi, questo è stato il nostro approccio iniziale. |
| Siamo rimasti soddisfatti di questo primo modello che è stato generato, ma eravamo più interessati a saperne di più sui metodi di convalida. |
| Perché per indagare su tutti questi predittori ci vorrebbe una notevole quantità di tempo e risorse di laboratorio, quindi questo è stato l'approccio che abbiamo seguito. |
| Quindi ecco una panoramica su come funziona questo metodo di convalida dei controlli. |
| E, essenzialmente, abbiamo il nostro set di dati e il nostro set di dati verrà suddiviso casualmente in due gruppi. Quindi sul lato sinistro, il 70% dei dati |
| sarà, assegnerà in un set di addestramento, che è la proporzione di dati che verrà utilizzata per costruire esclusivamente il modello. |
| E qui sul lato destro abbiamo il 30% dei dati che assegneremo a un set di convalida, e questa è la percentuale di dati che verrà utilizzata |
| per interrompere il nostro processo di costruzione del modello quando questa R è quadrata dell'insieme di convalida, che è il suo massimo. Quindi qui in fondo |
| possiamo vedere, questo è uno screenshot della piattaforma di regressione graduale, che è essenzialmente la stessa che abbiamo usato prima, ma c'era una regola di arresto, che mostra che ciò è, |
| la massima convalida R al quadrato invece della nostra soglia del valore p. Quindi e qui, questo grafico in basso, mostra |
| abbiamo il set di addestramento e qui abbiamo il set di convalida, che è etichettato come escluso. |
| E così, come puoi vedere, il set di addestramento, quando iniziamo a inserire i termini nel modello, |
| poiché abbiamo questa regola qui, questa regola della direzione in avanti, iniziamo con zero termini nel modello e poi procediamo in modo graduale per aggiungere termini nel modello. |
| Quando iniziamo ad aggiungere quei termini, la R al quadrato aumenta abbastanza velocemente, fino a quando abbiamo cinque termini nel modello e successivamente non c'è molto di un aumento nel miglioramento della R al quadrato |
| quando iniziamo ... quando continuiamo ad aggiungere sempre più termini. E quindi una delle cose importanti quando usiamo questo metodo è anche ciò che accade nel set di convalida, |
| perché questo è correlato alla nostra regola di arresto. Quindi ciò che accade è essenzialmente lo stesso quando iniziamo ad aggiungere termini nel modello, |
| la R al quadrato aumenta abbastanza velocemente, fino a quando raggiungiamo la massima R al quadrato e poi dopo quel punto, man mano che aggiungiamo sempre più termini la R al quadrato diminuisce. |
| E quindi, questo è esattamente ciò che fa questo set di convalida è ... cosa ... vogliamo usare questo set di convalida per fermare il processo di costruzione del modello in questa fase, quindi possiamo includere qui tutti questi termini che spiegano di più della variazione nel nostro set di dati ed evitare |
| l'inclusione di tutti questi termini nel modello che potrebbe creare overfitting del modello o che potrebbero non essere affatto autentici. |
| Quindi, dopo aver eseguito la regressione graduale, questo è stato il modello finale che è stato generato e, come puoi vedere, abbiamo avuto una riduzione da otto o sette termini significativi a soli tre. E, come ricordi, questi termini qui erano molto significativi quando non usavamo il |
| il metodo di convalida dell'asta e quindi qui non sembrano essere affatto significativi. |
| E in realtà questo modello è in grado di spiegare solo circa il 4% della variazione nel nostro set di dati. |
| E così, questo è stato abbastanza ... abbiamo pensato che fosse una diminuzione piuttosto drastica del numero di termini nel modello e abbiamo iniziato a pensare, okay, forse siamo stati un po 'sfortunati con il set di convalida che è stato generato per |
| per costruire questo particolare modello e abbiamo pensato di ... Una delle cose migliori di JMP Pro è che possiamo usare questa piattaforma di regressione generalizzata, che è essenzialmente ... l'output è essenzialmente che sembra lo stesso di una regressione graduale, ma in questo |
| piattaforma di regressione generalizzata, siamo in grado di utilizzare questa funzione di simulazione. E ciò che fondamentalmente fa è rieseguire il modello più e più volte, tutte le volte che vogliamo. |
| Quindi usalo per ogni modello generato, utilizza un diverso set di convalida. quindi questo è stato l'approccio che abbiamo seguito. |
| E perché |
| non abbiamo potuto elencare tutti i modelli che abbiamo generato, essenzialmente abbiamo solo ... provato a generare 100 modelli, o abbiamo fatto 100 simulazioni di modelli. Quindi non abbiamo potuto elencarli tutti qui. |
| E il modo in cui volevamo riassumere i risultati è ... abbiamo cercato di contare il numero di volte in cui un particolare fattore è stato rilevato per essere incluso nel modello dopo quelle 100 simulazioni. |
| E quindi, questo è esattamente ciò che mostra questo grafico qui. Quindi a destra ... a sinistra |
| abbiamo solo ... queste sono solo le stime dei parametri. Questo è utile solo per osservare la dispersione dei dati. E qui, |
| come puoi vedere, abbiamo X13, X8 e sono questi termini di interazione che erano effettivamente significativi quando non usavamo questo metodo. E qui, se prendiamo come esempio, X13, è stato solo ... è stato ripreso solo 46 volte |
| da includere nel modello o il 46% delle volte da includere nel modello, quindi, che è un numero piuttosto basso, come ci aspettavamo da allora |
| questi fattori qui, erano molto significativi quando non usavamo questo metodo. Così |
| la conclusione che assumiamo utilizzando il metodo di convalida del hold out è che è sicuramente un buon strumento da avere per gli scienziati e soprattutto quando costruiamo modelli e |
| abbiamo queste variabili che risultano significative e non si adattano perfettamente alla nostra comprensione scientifica. Quindi un'altra ... un'altra conclusione che prendiamo è questa |
| specificamente per questo studio è che possiamo tranquillamente presumere che gli attributi di processo che abbiamo studiato non hanno un impatto significativo sui nostri titoli vettoriali. Quindi adesso la passo a George. Parlerà dell'autovalidazione. |
| George Pamenter | Va bene ciao a tutti, mi chiamo George. Lavoro nel gruppo di purificazione qui Oxford Biomedica. Parlerò un po 'di questa autovalidazione |
| metodo che ci è stato fornito da JMP e il suo uso specifico nella progettazione di esperimenti, come la struttura dei dati. E parlerò un po 'di come abbiamo utilizzato quella metodologia per rimuovere effettivamente una variabile da un modello di ottimizzazione della purificazione del vettore virale. |
| Ok, quindi solo per iniziare con un po 'di background su una purificazione da vettore virale per coloro che non lo sanno. |
| Quindi essenzialmente riceviamo questo materiale di coltura cellulare dai bioreattori. |
| E quel materiale è materiale piuttosto grezzo, quindi include il nostro interesse terapeutico sono vettori molto virali, che include anche migliaia di altre specie, specie contaminanti. |
| E possono essere qualsiasi cosa, dalle proteine indesiderate al DNA batterico o talvolta anche virus inefficaci. |
| E quindi lo scopo della purificazione è davvero quello di separare il nostro prodotto vettore virale puro da tutti questi diversi contaminanti. |
| Ma questi possono essere processi incredibilmente complicati, e sai, che coinvolgono la cromatografia o trattamenti enzimatici e una serie di fattori diversi che influenzano le loro prestazioni. E quindi abbiamo bisogno di un modo per selezionare in modo efficiente le migliori condizioni per raggiungere la migliore purezza. |
| E il modo in cui lo facciamo la maggior parte del tempo è attraverso il design degli esperimenti. E la progettazione di esperimenti comuni in tutta la sequenza temporale di sviluppo dei bioprocessi, |
| li usiamo essenzialmente per selezionare, ottimizzare e caratterizzare completamente i nostri bioprocessi. |
| Essenzialmente, man mano che ci spostiamo nella sequenza temporale dello sviluppo dei farmaci, mentre ci spostiamo verso la produzione commerciale, la dimensione dei nostri esperimenti aumenta. |
| Il numero di esperimenti che possiamo fare in realtà diminuisce e diventa sempre più difficile per noi cambiare le cose man mano che ci avviciniamo a un prodotto commerciale. |
| E quindi dobbiamo essere in grado di prendere decisioni intelligenti nelle prime fasi della sequenza temporale di sviluppo e il modo in cui lo facciamo è |
| sviluppare modelli efficaci. Quindi, se disponiamo di un modello efficace all'inizio, ci dà la certezza di aver scelto le condizioni migliori mentre procediamo attraverso la nostra scala di procedura. |
| Quindi spiegherò in dettaglio come abbiamo utilizzato questa tecnologia di convalida automatica su un esempio specifico. Quindi abbiamo condotto la progettazione della superficie di risposta degli esperimenti |
| in una fase di purificazione del vettore virale e ancora una volta non siamo in grado di condividere i dati effettivi con te ma abbiamo dovuto normalizzarli qui. |
| Quindi questo era uno spazio di progettazione a tre fattori e il nostro ... e la nostra variabile di interesse in uscita o risposta è questo livello di impurità. Quindi questo livello di impurità potrebbe essere la quantità di proteine del DNA contaminanti, qualcosa di quella descrizione. |
| Quindi l'obiettivo di questo era davvero quello di ottimizzare questi modelli per il livello di impurità più basso possibile. |
| Ed è così che apparivamo inizialmente nelle nostre configurazioni JMP, ci sono tre variabili di input e questa impurità di risposta. |
| Quindi inizialmente abbiamo costruito alcuni modelli, utilizzando la piattaforma di regressione graduale e anche la regressione Lazo, che era una funzionalità di JMP Pro. |
| E in realtà all'inizio eravamo abbastanza soddisfatti di quello che stavamo vedendo, quindi stavamo spiegando molti dati. |
| Sembrava che lo stessimo spiegando abbastanza bene e abbiamo iniziato a vedere le variabili che ci aspettavamo di vedere emergere. |
| Ma c'era una variabile che ci rendeva meno sicuri, ed era questa interazione X1 X3, come puoi vedere ho evidenziato qui. |
| Se attiri la tua attenzione in alto a destra dello schermo, puoi semplicemente vedere che questo profilo X1 cambia completamente a seconda di |
| il valore di X3, quindi a valori bassi di X 3, ad essere onesti, non abbiamo questo tipo di effetto reale, e quindi a valori alti di X3, abbiamo questo tipo di correlazione positiva. |
| E questo in realtà ci ha davvero confusi ed è stato un po 'preoccupante perché in realtà questa interazione X1 X3 non si adattava davvero a ciò che avremmo capito scientificamente. |
| Quindi questo ci ha reso un po 'confusi ed è stato anche un po' come se i nostri modelli stessero davvero spiegando i dati che avevamo visto correttamente. |
| Aveva anche significative implicazioni nel mondo reale per lo sviluppo del processo, nel senso che questa variabile X3 era effettivamente nota |
| per cambiare un bel po '. Quindi l'analogia che userei qui sarebbe che se stessimo sviluppando un dosaggio di due farmaci, quindi X1 e X2, |
| e abbiamo scoperto che in realtà il dosaggio dipende dall'età del paziente, diciamo X3, è qualcosa che devi davvero scavare e caratterizzare. Quindi esplorare questa interazione avrebbe effettivamente richiesto costi di sperimentazione aggiuntivi significativi e anche nel tempo. |
| Quindi volevamo eseguire una metodologia di convalida su questo, quindi abbiamo consultato i nostri colleghi di JMP, |
| e in sostanza ci hanno detto, sfortunatamente, che non era davvero possibile utilizzare questa convalida di controllo nella progettazione della struttura dei dati dell'esperimento. |
| E la ragione di ciò è che, se puoi immaginare, ho assegnato il 70% di un set di convalida, quel tipo di set di addestramento ai miei dati qui nello spazio di progettazione, |
| che stiamo effettivamente costruendo il modello, ma in realtà manca completamente una parte dello spazio di progettazione. Quindi non è realmente applicabile utilizzare questa convalida di controllo sui set di dati DOE. |
| Quindi i nostri colleghi di JMP sono venuti da noi con questa convalida automatica. |
| E il modo in cui mi è stato spiegato era essenzialmente che avresti ricampionato l'intero set di dati. Quindi utilizzi l'intero set di dati per l'addestramento e l'intero set di dati per la convalida. |
| E questo potrebbe sembrare a prima vista un po 'come imbrogliare, certamente lo ha fatto per me, ma mi è stato detto che il modo in cui questo è ottenuto in modo equo è |
| è dall'applicazione di queste tre colonne extra, e in realtà da questo peso del bootstrap ridotto in modo frazionario. |
| E, in sostanza, penso che l'idea qui sia che se usi un pezzo di dati nell'addestramento del tuo modello, lo dovresti notare in modo da non usare lo stesso pezzo di dati tanto nella convalida, e è così che riesci a aggirare questa idea del doppio conteggio dei dati. |
| Quindi abbiamo utilizzato questa metodologia. Lo abbiamo eseguito sui nostri modelli. Qui puoi vedere la configurazione in JMP e usiamo di nuovo questa piattaforma di regressione generalizzata, che è uno strumento JMP Pro. |
| E qui è più o meno lo stesso di quello che Jose stava spiegando, ma invece di simulare per diversi |
| incarichi di formazione e convalida, simuliamo effettivamente questa ponderazione parziale. Quindi lo simuliamo un numero di volte per generare diversi modelli e in realtà lo abbiamo ripetuto 500 volte. |
| Di nuovo, quindi l'output dei nostri dati ora come, puoi vedere, con quello di Jose prima, sulla destra qui c'è un istogramma di quante volte una particolare variabile |
| era elencato nel nostro modello, e qui a sinistra, hai queste stime dei parametri da vari modelli. |
| In realtà ho appena tracciato questa linea rossa qui e l'ho chiamata la linea del fattore nullo. Quindi questo tipo di variabile con fattore nullo funziona come una variabile falsa. |
| Quindi sappiamo che questa è una sorta di variabile senza senso perché, se guardiamo il fattore nullo qui a sinistra, puoi vedere che le sue stime dei parametri sono abbastanza ampiamente distribuite intorno allo zero, quindi non è davvero sapere dove andare. |
| E così tracciamo questa linea e diciamo che ogni ... la prima volta che appare quel fattore nullo, qualsiasi cosa al di sotto di quello che considereremmo molto probabilmente un effetto non genuino. |
| Quindi questa è una specie di gamma di termini non autentici. E ho evidenziato in blu, come sono sicuro puoi vedere, questa interazione X1 X3, che era quella che preoccupava. |
| E puoi vedere qui che è uscito meno volte e molti degli effetti del fattore nullo, quindi questa è stata la prima indicazione che abbiamo avuto che potrebbe non essere un effetto genuino. |
| Quindi non volevamo fermarci qui. Abbiamo eseguito più iterazioni di questo con differenti |
| impostazioni di autovalidazione, e ho appena generato tre esempi qui. Ma puoi vedere, in ogni esempio, evidenziato in blu, questa interazione X1 X 3 veniva costantemente inferiore a questa linea rossa, questa linea del fattore nullo. |
| Quindi, sulla base di ciò, eravamo abbastanza fiduciosi che quello che stavamo vedendo probabilmente non fosse un effetto genuino, e quindi siamo stati in grado di eliminarlo dai modelli che volevamo. |
| Ora solo un confronto del tipo di risultati finali di ciò che abbiamo ottenuto. Quindi a sinistra ecco il modello iniziale che abbiamo costruito che includeva questa interazione X1 X3. |
| E poi a destra, questo modello convalidato automaticamente da cui l'abbiamo rimosso. |
| E suppongo che la prima cosa che abbiamo notato sia stata in realtà questa riduzione di R al quadrato. Quindi all'inizio sembra che tu stia probabilmente spiegando meno dati, ma in realtà ora siamo molto più sicuri che ciò che stiamo spiegando fosse effettivamente autentico. |
| E puoi vedere qui la differenza nelle condizioni di ottimizzazione della minimizzazione che viene prodotto. |
| E questo in realtà ha avuto una serie di vantaggi per noi, in realtà, in termini di elaborazione. Quindi ricorda che queste sono tutte variabili della vita reale, hanno cose reali dietro di loro. |
| Quindi questa variabile X1 in realtà è una cosa molto costosa per i nostri processi. Quindi eravamo molto ... è stato bello vedere che avremmo potuto ridurre quella variabile. |
| Ancora una volta, anche se questa variabile X2 diminuisce, in realtà è anche, per ragioni scientifiche, un bel vantaggio per il nostro processo, quindi siamo in grado di ridurre anche quello, il che è stato di beneficio per noi. |
| E queste sono una specie di coincidenze casuali, immagino, ma l'unica cosa di cui siamo stati davvero contenti è stata che in realtà, |
| puoi vedere la rimozione di questa interazione X1 X3, stavamo vedendo in realtà i profili di X1 e X2 erano costanti e che in realtà si adattano davvero con |
| la comprensione scientifica che ci aspettavamo, quindi siamo stati abbastanza felici di osservare questo. E ovviamente ora siamo andati via e abbiamo testato entrambi i modelli con esperimenti successivi solo per vedere quale funzionava meglio. |
| E in tutte le occasioni, questo in realtà ... questo modello autovalidato è stato d'accordo con le osservazioni che abbiamo visto nei nostri esperimenti finali finali. |
| Lo restituirò ora, Rebecca. |
| Rebecca Clarke | Farò solo un breve riassunto di ciò di cui stavamo parlando. Quindi sappiamo che gli effetti non veri hanno implicazioni nel mondo reale sia per le tempistiche di sviluppo che per i costi sperimentali per il bioprocessing. |
| E qui abbiamo esaminato due metodi di validazione per aiutarci con i nostri bioprocessi, per evidenziare potenziali effetti non veri che possiamo eliminare dai nostri esperimenti di ottimizzazione. |
| Quindi lo strumento di convalida dell'esclusione che abbiamo utilizzato con successo per rimuovere un numero di parametri dal nostro elenco di ottimizzazione, quindi utilizziamo anche l'autovalidazione durante i nostri esperimenti di tipo DOE. |
| E, e in questi casi i modelli che sono stati generati sono anche successivamente confermati dal lavoro sperimentale. Quindi, nel complesso, siamo rimasti molto soddisfatti di come abbiamo potuto utilizzare JMP Pro, |
| in particolare, i metodi di convalida all'interno dei nostri bioprocessi per aiutarci a risparmiare molto tempo e risorse e non concentrarci su effetti non reali. |
| E solo per concludere, vorremmo ringraziare Robert Anderson e Anna Roper di JMP che ci hanno aiutato durante questa presentazione, e questo è tutto per noi, e grazie per l'ascolto. |
