349236_ja-JP

liliconcom

誤った影響の調査に時間を無駄にしない (2021-EU-30MP-771)

レベル: 中級

オックスフォード バイオメディカ、プロセス研究開発部門、上流科学者、ホセ ゴンカルベス氏
オックスフォード バイオメディカ、プロセス研究開発部門、上流シニア サイエンティスト、レベッカ クラーク氏
ジョージ・パメンター、オックスフォード・バイオメディカ、ダウンストリームプロセス研究開発科学者
オックスフォード バイオメディカ、プロセス研究開発部門、上流上級科学者、トーマス チッペンデール氏

近年、オックスフォード バイオメディカでは細胞培養バイオプロセス データの生成が大幅に増加しています。このデータ収集の増加は、集中的なプロセス開発と特性評価研究だけでなく、高スループット生産システムの導入によるものです。細胞培養プロセス全体を通じて、多くのオンラインおよびオフライン プロセス パラメータが記録されます。ただし、生物システムの複雑さにより、プロセス パフォーマンスや製品収量に影響を与える可能性のある真の要因を特定することが主な課題の 1 つです。ホールドバック検証は、過剰適合を回避し、モデルに非真の項が含まれないようにするためによく使用されますが、単一の検証列の使用は、最適なモデルの予測には効果的ではない場合があります。このプレゼンテーションでは、複数の検証列を使用してモデルを再適合することで、最も単純で最も頻繁に発生するモデルを特定できる方法を説明します。20 の候補予測子を含む 67 のバイオリアクター生産実行からのデータが分析に使用されました。JMP® Pro のシミュレート機能を使用して、100 の検証列をランダムに生成しました。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
レベッカ・クラーク	皆さん、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と一緒に、JMP Pro 検証方法を使用して、誤った効果の調査に時間を無駄にしないようにする方法についてお話しします。
	それで、まず最初に、私たちの会社と私たちの事業内容について紹介したいと思います。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。
	当社は遺伝子・細胞治療事業の先駆者であり、レンチウイルスベクターの研究、開発、バイオプロセス処理において主導的な地位を占めています。
	私たちはこの分野で20年以上の経験があります。レンチウイルスベクター（？）ベースの治療法で人間を治療した最初の会社です。
	私たちが協力している現地のパートナーは右下に記載されています。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、がん、中枢神経系疾患、嚢胞性線維症など、さまざまな疾患を治療しています。
	そこで昨年、オックスフォード・バイオメディアも英国ワクチンコンソーシアムに加盟し、COVID-19との戦いに加わりました。
	この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、COVID-19ワクチン候補を迅速に開発することが目標だった。
	そして、このコンソーシアムに参加することで、オックスフォード バイオメディカは、コンソーシアムが当社の最先端の??? スイートにアクセスできるようにし、ワクチンの製造規模を拡大することができました。その後、当社は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、臨床試験で効果が実証されれば、アストラゼネカのCOVIDワクチンを供給することに合意しました。皆さんもご存知のとおり、ワクチンは確かに効果を発揮し、オックスフォード・バイオロジカは今日までCOVID-19ワクチンの製造を続けています。
	そこで、ここで、そして OXB で使用しているプロセスについても簡単に紹介したいと思います。
	バイオプロセスとは、生きた細胞またはその成分を使用して目的の製品を得るプロセスであり、よく知られているように
	そのようなプロセスの例としては、アルコール飲料の発酵が挙げられます。
	このプロセスでは、酵母が生きた成分となり、酵母とビール醸造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、酵母が発酵と呼ばれる化学反応を開始します。発酵中に、グルコース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、濾過によって精製され、最終製品であるビールが残ります。
	オックスフォードバイオメディカで私たちが利用しているプロセスは発酵に似ています。私たちのプロセスの生きた部分は
	細胞培養なので、バイオリアクターを使って細胞培養に加え、レンチウイルス因子を作るために必要な他の成分も投入します。
	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、そこで製品は精製され、その後瓶詰めされて患者が使用するために出荷されます。
	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ます。一番左の一番下は研究段階です。
	したがって、この段階で、病気のメカニズムに重要な標的遺伝子またはタンパク質を特定します。
	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に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は商業的な製造工程があり、そこでは薬が作られ、患者が使用するために瓶詰めされます。
	私たちのグループ、プロセス研究開発グループは、この2つの段階の間に位置します。私たちの仕事は、生産プロセスを設計、最適化、拡張することです。
	医薬品を研究室から製造室へと移送します。当社が使用するプロセスには、小規模の振とうフラスコが含まれ、50 リットルのバイオリアクターまで対応しています。
	ご想像のとおり、私たちは作業の過程で大量のデータを生成し、バイオリアクターには監視と最適化が必要な多くの入力パラメータがあります。
	生成されるデータの量が膨大であるため、最適化中にどのパラメータに重点​​を置くべきかを判断するのは非常に困難です。
	また、扱うべきパラメータの数が膨大であるため、それぞれ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目を向けています。
	そして、モデルを使用して、最適化すべき潜在的なパラメータのリストを絞り込みます。
	したがって、これらのモデルは便利ですが、作業中に多くのランダム ノイズが発生します。これは、バイオ処理の生きた性質によるもので、2 つの培養物は同じではありません。
	したがって、このランダム ノイズは統計モデルに明らかに組み込まれ、最適化実験中に非現実的な効果を調べることで時間を無駄にする可能性があります。
	そこで私たちは、JMP Pro、特に検証機能を使うことにしました。
	これにより、私たちが検討するパラメータのリストをさらに絞り込み、モデルから不自然な効果を取り除き、
	モデルの過剰適合も避けます。それでは、Jose にバトンタッチして、データ検証方法全体について説明してもらいます。
ホセ・ゴンサルベス	はい、私の名前は Jose です。最適化手法全体についてお話しします。これは手法であり、JMP Pro でのみ利用可能なモデリング ツールです。OXB でこれをどのように使用し、どの程度役立つかを検討したいと考えていました。
	それがいかに役に立つかがわかった
	バイオプロセスデータのモデリングのためにOXBに依頼しました。レベッカが言ったように、
	私たちはこれらのステリタンク（？）リアクターをプロセスに使用し、基本的にこれらのバイオリアクターで細胞を培養し、これらのウイルスベクターを生成します。
	主な製品です。これは、最大化してモデル化したいものなので、実際には応答変数になります。
	バイオリアクターは多くの制御入力を必要とし、1つの生産プロセス中に大量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必要です。
	それは私たちにとって大きな価値となるでしょう。時間の節約、リソースの解放、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。
	したがって、モデル構築に着手する前に、まず過去の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。
	このデータは、生産プロセスがどのように行われているかを示しており、データに異常があれば、ベクター力価に悪影響がある可能性があります。左側には、
	私たちは 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することができず、データを匿名化する必要がありました。
	ここではX1からX20までリストアップしていますが、私たちのプロセスは非常に動的なプロセスなので、予測変数間の共線性の程度を期待することはできません。
	要約すると、モデルに 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 個の過去の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 JMP を使用してモデルを構築し、それをホールドアウト定式化法を使用して構築された別のモデルと比較するのが良いと考えました。
	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、主効果、相互作用項、二乗項をすべてモデルに入力できるようにするために、応答面モデルを選択しました。そして、ここでは、パーソナリティでは、段階的な進行を選択しました。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ます。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、段階的回帰を実行した後、これが生成された最終モデルです。
	ご覧のとおり、モデルには8つの項があり、そのうち7つは実際に重要です。ここで最初の3つの要因に注目していただきたいのですが、これらはモデルで非常に重要であり、
	これから紹介するいくつかのスライドで非常に重要な点を説明します
	結果…結果
	ホールドアウト検証法を使用してアプローチすると、ここでの古いモデルは有意であり、データセット内の変動の約 44% を説明できます。
	これが私たちの最初のアプローチでした。
	生成された最初のモデルには満足していましたが、検証方法についてさらに詳しく知りたいと思いました。
	これらすべての予測因子を調査するには、かなりの時間と研究室のリソースが必要になるため、それが私たちが次に取ったアプローチでした。
	ここでは、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を説明します。
	基本的に、データセットはランダムに2つのグループに分けられます。左側にはデータの70%が
	トレーニング セットに割り当てられることになります。トレーニング セットとは、モデルの構築にのみ使用されるデータの割合です。
	右側には検証セットに割り当てるデータの30%があり、これが使用されるデータの割合です。
	検証セットのR2乗が最大値に達したときにモデル構築プロセスを停止します。下部に
	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す。基本的には以前使用したのと同じですが、停止ルールがあり、これが次のように示されています。
	最大検証R2乗をp値の閾値の代わりに使用しています。そしてこのグラフの下部には
	トレーニング セットと、除外とラベル付けされた検証セットがここにあります。
	ご覧のとおり、トレーニングセットにモデルに用語を入力し始めると、
	ここではこの順方向ルールの規則があるため、モデルにゼロ項から始めて、段階的に項をモデルに追加していきます。
	これらの項を追加し始めると、R二乗はモデルに5つの項を追加するまで急速に増加しますが、その後はR二乗の改善はあまり増加しません。
	開始時...どんどん用語を追加していくと、この方法を使用する際に重要なことの1つは、検証セットに何が起こるかということです。
	これは停止規則に関係しているからです。モデルに項を追加し始めると、基本的に同じことが起きます。
	R 二乗は、最大 R 二乗に達するまでは非常に速く増加しますが、その時点以降は、項を追加し続けるにつれて R 二乗は減少します。
	そして、これがまさにこの検証セットが行うことです...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ます。これにより、データセットのほとんどの変動を説明するこれらの用語をすべて含めることができ、
	これらすべての項をモデルに含めると、モデルの過剰適合が生じる可能性があり、あるいは、実際にはまったく本物ではない可能性もあります。
	ステップワイズ回帰分析を実行した後、これが生成された最終モデルです。ご覧のとおり、8つまたは7つの重要な項が3つに減少しました。覚えていると思いますが、これらの項は、
	ホールドアウト検証方法なので、ここではまったく重要ではないようです。
	そして実際、このモデルはデータセット内の変動の約 4% しか説明できません。
	これはモデル内の項の数の劇的な減少だと私たちは思いました。そして、生成された検証セットが少し不運だったのではないかと考え始めました。
	この特定のモデルを構築するために、JMP Proの素晴らしい点の1つは、この一般化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、ステップワイズ回帰と同じ出力になりますが、
	一般化回帰プラットフォームでは、このシミュレーション機能を使用できます。基本的に、これはモデルを必要な回数だけ何度も再実行します。
	そして、生成された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、次に私たちが採用したアプローチです。
	そして、
	私たちが生成したすべてのモデルをリスト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、モデルのシミュレーションを 100 回実行しただけです。そのため、ここですべてをリストすることはできませんでした。
	そして、結果を要約する方法は、100 回のシミュレーション後に特定の要因がモデルに含まれるように選択された回数を数えることでした。
	これがまさにこのグラフに表れているものです。右側、左側
	これらはパラメータ推定値です。データのばらつきを観察するにはこれで十分です。
	ご覧のとおり、X13、X8があり、この相互作用項は、この方法を使用しなかった場合に実際に有意でした。ここで、X13を例にとると、わずか46回しか検出されませんでした。
	モデルに含まれるのは46％であり、これは予想通りかなり低い数字です。
	これらの要因は、この方法を使用しなかった場合に非常に重要でした。
	ホールドアウト検証法の使用から得た結論は、科学者にとって、特にモデルを構築する際に、それが間違いなく良いツールであるということです。
	重要な変数がいくつかあるのですが、それらは科学的理解にはあまり当てはまりません。そこで私たちが導き出したもう1つの結論は、
	この研究に特有の点は、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ことです。それでは、ジョージにバトンタッチします。彼が自動検証について話します。
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。オックスフォードバイオメディカの精製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したいと思います。
	JMP から提供された手法と、データ構造などの実験計画におけるその具体的な使用法についてです。この手法を使用して、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した方法について少しお話しします。
	さて、まずはウイルスベクターの精製について知らない人のために少し背景を説明します。
	つまり、本質的には、私たちはバイオリアクターからこの細胞培養材料を受け取ります。
	そして、その材料は非常に粗い材料であるため、私たちが関心のある治療薬にはウイルスベクターが含まれており、そこには何千もの他の種、汚染種も含まれています。
	そして、それらは、望ましくない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、あらゆるものである可能性があります。
	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さまざまな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であり、クロマトグラフィーや酵素処理、そしてそのパフォーマンスに影響を与えるさまざまな要因が関係します。そのため、最高の純度を達成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。
	私たちがそれを行う方法は、多くの場合、実験計画法を使用することです。実験計画法はバイオプロセス開発のタイムライン全体で共通しており、
	基本的に、私たちはそれらを使用してバイオプロセスをスクリーニングし、最適化し、完全に特徴付けます。
	基本的に、医薬品開発のタイムラインが進み、商業生産に向かうにつれて、実験の規模は大きくなります。
	実際に実行できる実験の数は減り、商品化に近づくにつれて変更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決定を下す必要があります。その方法は、
	効果的なモデルを開発することです。したがって、早い段階で効果的なモデルがあれば、手順の規模に応じて最適な条件を選択したという自信が得られます。
	では、この自動検証技術を具体的な例でどのように使用したかを詳しく説明します。私たちは、応答曲面実験計画を実施しました。
	ウイルスベクターの精製ステップについては、実際のデータを皆さんと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した。
	これは 3 つの要因の設計空間であり、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。この不純物レベルは、汚染された DNA タンパク質の量などである可能性があります。
	したがって、この目標は、これらのモデルを最適化して、不純物レベルを可能な限り低く抑えることです。
	これは、JMP 設定で最初に見たもので、3 つの入力変数と、この応答の不純度があります。
	そこで、私たちは最初に、ステップワイズ回帰プラットフォームと、JMP Pro の機能である Lasso 回帰を使用して、いくつかのモデルを構築しました。
	実際、当初は、私たちは目にしていたものにかなり満足していたので、かなり多くのデータを説明していました。
	私たちはそれをかなりうまく説明しているようで、予想される変数が現れ始めました。
	しかし、私たちの確信を少し弱める変数が 1 つありました。それは、ここで強調表示した X1 X3 の相互作用です。
	画面の右上に注目すると、このX1プロファイルは、
	X3 の値が低い場合、正直言って実際の効果は見られませんが、X3 の値が高い場合、このような正の相関関係が見られます。
	そして、それは私たちを本当に混乱させ、少し心配させました。なぜなら、この X1 X3 の相互作用は、私たちが科学的に理解しているものとはまったく一致しなかったからです。
	そのため、私たちは少し混乱し、私たちのモデルが私たちが見たデータを本当に適切に説明しているのだろうかという疑問も生じました。
	このX3変数は実際に知られていたという意味で、プロセス開発に重要な現実的な影響を及ぼした。
	かなり変化します。ここで私が使う類推は、2つの薬剤、つまりX1とX2の薬剤投与量を開発しているとします。
	そして、投与量は患者の年齢、たとえばX3によって異なることを発見しました。これは本当に詳しく調べて特徴づけなければならないことです。そのため、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が必要だったでしょう。
	そこで私たちは、検証方法を実行したいと考え、JMPの同僚に相談しました。
	そして、彼らは基本的に、残念ながら、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だと言いました。
	その理由は、想像できると思いますが、検証セットの70%、つまりトレーニングセットをデータに割り当てて設計空間に配置したからです。
	実際にモデルを構築しているものの、設計空間の一部が完全に欠落しているということです。したがって、このホールドアウト検証を DOE データ セットで使用することは実際には適切ではありません。
	そこで、JMP の同僚がこの自動検証機能を持って私たちのところにやって来ました。
	そして、私に説明されたのは、基本的にはデータセット全体を再サンプリングするということでした。つまり、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するのです。
	一見するとそれは不正行為のように見えるかもしれません。確かに私にはそう思えましたが、これが公正に達成される方法は
	これは、これら 3 つの追加列の適用によるもので、実際には、削減された分数重み付けブートストラップ重みによって行われます。
	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の一部を使用する場合、そのデータを重み付けして、検証で同じデータをあまり使用しないようにし、データを二重にカウントするという考えを回避する方法だと思います。
	そこで私たちはこの方法論を使い、モデルでこれを実行しました。ここでは JMP の設定を確認できます。また、JMP Pro ツールである一般化回帰プラットフォームを使用します。
	これはJoseが説明したこととほぼ同じですが、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、これを複数回シミュレートしてさまざまなモデルを生成し、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、Joseの以前のデータと同様に、右側に特定の変数が何回発生したかを示すヒストグラムがあります。
	私たちのモデルにリストされており、左側にはさまざまなモデルからのパラメータ推定値が表示されています。
	私は実際にここに赤い線を描いて、これをヌル ファクター ラインと呼んでいます。つまり、このヌル ファクター変数は、一種の偽の変数のように動作します。
	これは一種のナンセンス変数であることがわかります。なぜなら、ここの左側のヌル因子を見ると、そのパラメータ推定値がゼロの周囲にかなり広く分布していることがわかるため、実際にはどこに向かうべきか分からないからです。
	したがって、この線を引いて、ヌル係数が最初に現れたとき、それ以下のものは非本物の効果である可能性が高いと見なすことになります。
	これは、非正規の用語の範囲です。おわかりかと思いますが、懸念事項であったこの X1 X3 の相互作用を青で強調表示しました。
	ここでは、出現回数が少なく、多くのヌル要因効果が見られることがわかります。つまり、これが本物の効果ではないかもしれないという最初の兆候だったのです。
	そこで私たちはそこで止まりたくありませんでした。私たちはこれを異なる方法で何度も繰り返し実行しました。
	自動検証設定で、ここでは 3 つの例を生成しました。どの例でも、青で強調表示されているこの X1 X 3 相互作用が、この赤い線、つまりヌル ファクター ラインよりも一貫して低くなっていることがわかります。
	したがって、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、私たちが望んでいたモデルからそれを排除することができました。
	ここで、最終的な出力を比較してみましょう。左側は、X1 X3 の相互作用を含む、最初に構築したモデルです。
	そして右側には、それを削除した自動検証モデルがあります。
	そして、私たちが最初に気づいたのは、R 二乗の減少だったと思います。ですから、最初はデータの説明が不十分であるように思われますが、実際には、私たちが説明していることが本物であるという確信が高まっています。
	ここでは、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、これは実際に、処理の面で私たちにとって多くの利点をもたらしました。これらはすべて現実の変数であり、その背後には現実のものがあることを忘れないでください。
	この X1 変数は、実際には私たちのプロセスにとって非常にコストのかかるものです。そのため、この変数を削減できることがわかって非常にうれしかったです。
	また、この X2 変数が下がると、科学的な理由から、私たちのプロセスにとっても大きなメリットになります。そのため、これも削減することができ、私たちにとってメリットがありました。
	これらは幸運な偶然の一致だと思いますが、私たちが本当に嬉しかったのは、
	このX1 X3の相互作用を取り除くと、X1とX2のプロファイルは一定であり、実際に非常に一致していることがわかります。
	期待していた科学的な理解が得られましたので、これを観察できてとても嬉しかったです。そしてもちろん、私たちはもう立ち去りましたが、どちらのモデルが最も優れているかを確認するために、フォローアップ実験で両方のモデルをテストしました。
	そして実際、この自動検証モデルは、すべての場合において、最終的な実験で観察された結果と一致しました。
	今すぐ返しますよ、レベッカ。
レベッカ・クラーク	私たちが話していた内容を簡単にまとめます。非真実の影響は、バイオプロセスの開発スケジュールと実験コストの両方に現実的な影響を及ぼすことがわかっています。
	ここでは、最適化実験から排除できる潜在的な非真実の影響を明らかにするために、バイオプロセスに役立つ 2 つの検証方法を検討しました。
	そこで、ホールドアウト検証ツールを使用して、最適化リストからいくつかのパラメータを削除することに成功しました。また、DOE タイプの実験中に自動検証も使用しました。
	そして、これらのケースでは、生成されたモデルはその後の実験作業によっても確認されます。全体として、JMP Proの使い方には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により、多くの時間とリソースを節約し、誤った効果に焦点を当てることがなくなります。
	最後に、このプレゼンテーション全体を通して私たちをサポートしてくれた JMP の Robert Anderson 氏と Anna Roper 氏に感謝の意を表したいと思います。これで私たちの話は終わりです。ご清聴ありがとうございました。

起こるDOE予測モデリング