349236_it-IT

liliconcom

Evita di perdere tempo indagando su falsi effetti (2021-EU-30MP-771)

Livello: Intermedio

Jose Goncalves, scienziato upstream, dipartimento di ricerca e sviluppo dei processi, Oxford Biomedica
Rebecca Clarke, scienziata senior upstream, dipartimento di ricerca e sviluppo dei processi, Oxford Biomedica
George Pamenter, scienziato di ricerca e sviluppo dei processi a valle, Oxford Biomedica
Thomas Chippendale, scienziato senior a monte, dipartimento di ricerca e sviluppo dei processi, Oxford Biomedica

Negli ultimi anni, presso Oxford Biomedica è stata osservata una crescita significativa nella generazione di dati di bioprocessi di coltura cellulare. Questo aumento nella raccolta dati non è solo guidato da intensivi studi di sviluppo e caratterizzazione del processo, ma anche dovuto all'incorporazione di sistemi di produzione ad alta produttività. Durante un processo di coltura cellulare, vengono registrati molti parametri di processo online e offline. Tuttavia, a causa della complessità dei sistemi biologici, una delle principali sfide è l'identificazione di fattori genuini che possono influenzare le prestazioni del processo o la resa del prodotto. La convalida Holdback è spesso utilizzata per evitare l'overfitting e impedire l'inclusione di termini non genuini in un modello, ma l'uso di una singola colonna di convalida potrebbe non essere efficace nella previsione del modello migliore. Questa presentazione dimostrerà come il refitting dei modelli utilizzando più colonne di convalida può consentire l'identificazione del modello più semplice e più frequente. Per l'analisi sono stati utilizzati dati da 67 cicli di produzione di bioreattori contenenti 20 predittori candidati. La funzione di simulazione in JMP® Pro è stata utilizzata per generare casualmente 100 colonne di convalida.

Trascrizione generata automaticamente...

Oratore	Trascrizione
Rebecca Clarke	Ok, ciao a tutti, mi chiamo Rebecca e oggi sono con voi Jose e George. 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, vi presenterò la nostra azienda e cosa facciamo. Lavoriamo per Oxford Biomedica.
	Siamo pionieri nel settore della terapia genica e cellulare e occupiamo una posizione di leadership nella ricerca, nello sviluppo e nella bioelaborazione dei vettori lentivirali.
	Abbiamo quindi oltre 20 anni di esperienza nel settore. Siamo stati la prima azienda a curare gli esseri umani con una terapia basata su un vettore lentivirale(?). Alcune delle
	I partner locali con cui collaboriamo sono elencati in basso a destra, quindi lavoriamo con Novartis, Sonofi, Boehringer Ingelheim e Orchard Therapeutics. Alcune delle patologie che trattiamo includono cancro, disturbi del sistema nervoso centrale e fibrosi cistica, solo per citarne alcune.
	L'anno scorso anche Oxford Biomedia si è unita alla lotta contro il COVID-19 sottoscrivendo l'accordo con il consorzio per i vaccini del Regno Unito.
	Il consorzio era gestito dallo Jenner Institute dell'Università di Oxford e il suo obiettivo era quello di sviluppare rapidamente un candidato vaccino contro il COVID-19.
	E unendosi a questo consorzio, Oxford Biomedica ha permesso questa produzione su larga scala del vaccino consentendo al consorzio di accedere alle nostre suite ??? all'avanguardia. Quindi, in seguito, abbiamo firmato un accordo di fornitura clinica e commerciale con AstraZeneca.
	E, con questo accordo, abbiamo accettato di fornire il vaccino AstraZeneca COVID se si fosse rivelato un successo negli studi clinici. E come sono sicuro che tutti sappiate, il vaccino ha avuto davvero successo e Oxford Biologica continua a produrre il vaccino COVID-19 fino ad oggi.
	Vorrei quindi brevemente presentare i processi che utilizziamo qui e in OXB.
	Quindi un bioprocesso è un processo che utilizza una cellula vivente o i suoi componenti per ottenere un prodotto desiderato, quindi un noto
	Un esempio di tale processo sarebbe la fermentazione delle bevande alcoliche.
	E durante questo processo, il lievito è il componente vivente e il lievito più tutti gli altri ingredienti necessari per produrre la birra vengono inseriti in un bioreattore e il lievito avvia una reazione chimica chiamata fermentazione. Durante la fermentazione il glucosio viene convertito in etanolo.
	Una volta completata la reazione di fermentazione, il contenuto del bioreattore viene raccolto e purificato tramite filtrazione, ottenendo così il prodotto finale: la birra.
	Quindi il processo che utilizziamo qui in Oxford Biomedica è simile alla fermentazione. Quindi la componente vivente del nostro processo è
	colture cellulari, quindi con i biorreattori che inseriamo nelle 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 alla lavorazione successiva, dove il prodotto viene purificato e poi imbottigliato e spedito per essere utilizzato sui pazienti.
	Quindi questa slide mostra solo il ciclo di vita dello sviluppo del farmaco. Quindi sul lato sinistro, in basso, c'è la fase di ricerca.
	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 dimostriamo se il farmaco è efficace nel colpire la malattia.
	E poi, proprio alla fine del ciclo di vita, abbiamo la produzione commerciale, in cui il farmaco viene preparato e confezionato per essere utilizzato sui pazienti.
	Quindi il nostro gruppo, il gruppo Process, Research and Development, si trova tra queste due fasi. È nostro compito progettare, ottimizzare e ampliare il processo di produzione.
	e spostiamo il prodotto farmaceutico dal banco di ricerca alla produzione. Alcuni dei processi che utilizziamo includono fiasche di agitazione su piccola scala e lavoriamo fino a bioreattori da 50 litri.
	Quindi, come potete immaginare, durante il nostro lavoro generiamo molti dati e i biorreattori hanno molti parametri di input che dobbiamo monitorare e ottimizzare.
	Considerata l'enorme quantità di dati che generiamo, diventa piuttosto difficile capire su quali parametri concentrarci durante l'ottimizzazione.
	E proprio a causa dell'elevato numero di parametri con cui dobbiamo lavorare, non è commercialmente fattibile per noi ottimizzarli tutti individualmente, quindi a questo punto, prendiamo in considerazione la modellazione statistica.
	E utilizziamo i modelli per cercare di restringere l'elenco dei potenziali parametri che dovremmo ottimizzare.
	Quindi, sebbene questi modelli siano utili, durante il nostro lavoro generiamo molto rumore casuale, e questo è dovuto alla natura vivente della bioelaborazione, per cui non esistono due colture uguali.
	Quindi questo rumore casuale viene ovviamente incorporato nei nostri modelli statistici e questo può portarci a perdere tempo nell'osservare effetti non reali durante i nostri esperimenti di ottimizzazione.
	È stato quindi con questo in mente che abbiamo pensato di utilizzare JMP Pro, in particolare le funzionalità di convalida,
	che ci aiuterà, si spera, a restringere ulteriormente l'elenco dei parametri che esamineremo, a rimuovere gli effetti non genuini dai modelli e anche
	per evitare di sovra-adattare anche i nostri modelli. Quindi ora passo la parola a Jose che vi spiegherà l'intero metodo di convalida dei dati.
José Gonçalves	Giusto, 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 scoprire come utilizzare... quanto potrebbe essere utile in OXB per...
	Ho visto quanto potrebbe essere utile
	a OXB per la modellazione dei dati dei bioprocessi. Quindi, come diceva Rebecca,
	utilizziamo questi reattori sterili nel nostro processo e fondamentalmente facciamo crescere le cellule in questi biorreattori e produciamo questi vettori virali, che sono i nostri
	prodotto principale. È un...è ciò che vogliamo massimizzare e che vogliamo modellare, quindi questa è davvero la nostra variabile di risposta.
	E i biorreattori richiedono molti input di controllo e producono molti dati durante un processo di produzione, quindi avere uno strumento che aiuti a determinare quali input e output meritano di essere studiati,
	sarebbe di grande valore per noi. Ci consentirà di risparmiare tempo, liberare risorse e consentire un approccio più mirato alle indagini sui processi.
	Quindi, prima di iniziare a costruire il modello, abbiamo dovuto raccogliere quanti più dati possibili da lotti storici.
	E quindi, 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 vedere che
	Abbiamo raccolto i dati da 20 variabili, purtroppo non abbiamo potuto 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 un processo piuttosto dinamico, non possiamo aspettarci il grado di collinearità tra i predittori. Quindi
	In sintesi, disponiamo di un set di dati che contiene 20 variabili o 20 candidati predittori per il nostro modello e abbiamo raccolto i dati da 67 lotti storici.
	Quindi, poiché questo faceva parte della versione di prova di JMP Pro, abbiamo pensato che sarebbe stata una buona idea iniziare utilizzando JMP standard per creare il modello e poi usarlo come confronto con un altro modello creato utilizzando il metodo di formulazione hold out.
	Qui, per costruire il modello senza il metodo di convalida, utilizziamo la piattaforma di modellazione standard su JMP e
	abbiamo selezionato qui il modello di 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 utilizziamo la regola di arresto come soglia del valore P, quindi i parametri rimanenti li abbiamo lasciati di default.
	E poi, dopo aver eseguito la regressione graduale, questo è stato il modello finale generato.
	Quindi qui, potete vedere che abbiamo otto termini nel modello e sette di questi sono effettivamente significativi. Quindi vorrei portare la vostra attenzione solo su questi primi tre fattori qui, perché hanno... sono altamente significativi nel nostro modello e saranno
	molto importante in un paio di diapositive quando mostrerò
	i risultati...i risultati
	se ci avviciniamo utilizzando il metodo di convalida hold out, il vecchio modello in questo caso è significativo e può spiegare circa il 44% della variazione nel nostro set di dati.
	E quindi questo è stato in un certo senso il nostro approccio iniziale.
	Eravamo soddisfatti del primo modello generato, ma eravamo più interessati a saperne di più sui metodi di convalida.
	Poiché analizzare tutti questi fattori predittivi avrebbe richiesto molto tempo e risorse di laboratorio, questo è stato l'approccio che abbiamo adottato in seguito.
	Ecco quindi una panoramica sul funzionamento di questo metodo di convalida holdout.
	E, in sostanza, 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, verrà assegnato a un set di addestramento, che è la quota di dati che verrà utilizzata esclusivamente per costruire 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 fermare il nostro processo di costruzione del modello quando questo R quadrato del set di convalida, che è il suo massimo. Quindi qui in basso,
	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 questo è,
	la convalida massima R quadrato invece della nostra soglia di valore p. Quindi e qui, questo grafico in basso, mostra
	abbiamo il set di addestramento e il set di convalida, etichettato come escluso.
	E così, come puoi vedere, il set di addestramento, mentre iniziamo a inserire termini nel modello,
	Poiché abbiamo questa regola qui, questa regola della direzione in avanti, iniziamo con zero termini nel modello e poi procediamo gradualmente per aggiungere termini al modello.
	Quando iniziamo ad aggiungere questi termini, l'R quadrato aumenta abbastanza velocemente, fino a quando abbiamo cinque termini nel modello e in seguito non c'è un grande aumento nel miglioramento dell'R quadrato.
	quando iniziamo...quando continuiamo ad aggiungere sempre più termini. E quindi una delle cose importanti quando usiamo questo metodo è anche cosa succede nel set di convalida,
	perché questo è correlato alla nostra regola di arresto. E quindi ciò che accade è essenzialmente lo stesso quando iniziamo ad aggiungere termini al modello,
	l'R quadrato aumenta piuttosto velocemente, fino a quando non raggiungiamo l'R quadrato massimo e poi, da quel punto in poi, man mano che aggiungiamo sempre più termini, l'R quadrato diminuisce.
	E quindi, questo è esattamente ciò che fa questo set di convalida, ovvero... ciò che... vogliamo usare questo set di convalida per interrompere il processo di creazione del modello in questa fase, così possiamo includere tutti questi termini qui che spiegano la maggior parte della variazione nel nostro set di dati ed evitare
	l'inclusione di tutti questi termini nel modello potrebbe creare un overfitting del modello oppure potrebbero non essere affatto genuini.
	Quindi, dopo aver eseguito la regressione stepwise, questo è stato il modello finale generato e, come potete vedere, abbiamo avuto una riduzione da otto o sette termini significativi a soli tre. E, come ricorderete, questi termini qui erano altamente significativi quando non abbiamo usato il
	il metodo di convalida hold out e quindi qui non sembrano essere affatto significativi.
	In realtà questo modello è in grado di spiegare solo circa il 4% della variazione del nostro set di dati.
	E così, questo è stato abbastanza... abbiamo pensato che si trattasse di 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 modello particolare e abbiamo pensato che... Una delle cose migliori di JMP Pro è che possiamo usare questa piattaforma di regressione generalizzata, che è essenzialmente... l'output è essenzialmente uguale a quello di una regressione graduale, ma in questo
	piattaforma di regressione generalizzata, siamo in grado di usare questa funzione di simulazione. E ciò che fa fondamentalmente è rieseguire il modello più e più volte, tutte le volte che vogliamo.
	E poi lo usiamo per ogni modello generato: utilizza un set di convalida diverso. Questo è stato l'approccio che abbiamo adottato in seguito.
	E perché
	non potevamo elencare tutti i modelli che abbiamo generato, in sostanza abbiamo solo...abbiamo provato a generare 100 modelli, o abbiamo fatto 100 simulazioni di modelli. Quindi non potevamo elencarli tutti qui.
	E il modo in cui volevamo riassumere i risultati è stato... abbiamo provato a contare il numero di volte in cui un particolare fattore è stato scelto 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 appena...queste sono solo le stime dei parametri. Questo è utile solo per osservare la dispersione dei dati. E qui,
	come potete 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, era solo... è stato raccolto solo 46 volte
	da includere nel modello o il 46% delle volte da includere nel modello, e quindi, che è un numero piuttosto basso, come ci aspettavamo poiché
	questi fattori qui, erano altamente significativi quando non abbiamo utilizzato questo metodo. Quindi
	la conclusione che traiamo dall'uso del metodo di convalida 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 che
	specificamente per questo studio è che possiamo tranquillamente supporre che gli attributi di processo che abbiamo studiato non abbiano un impatto significativo sui nostri titoli vettoriali. Quindi ora passo la parola a George. Parlerà dell'autovalidazione.
Giorgio Pamenter	Ok, ciao a tutti, mi chiamo George. Lavoro nel gruppo di purificazione qui a Oxford Biomedica. Parlerò un po' di questa autovalidazione
	metodo che ci è stato proposto da JMP e il suo utilizzo 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.
	Bene, per chi non lo sapesse, ecco qualche informazione di base sulla purificazione di un vettore virale.
	Quindi sostanzialmente riceviamo questo materiale di coltura cellulare dai biorreattori.
	E quel materiale è piuttosto grezzo, quindi include i nostri vettori terapeutici di interesse, che sono molto virali, e includono anche migliaia di altre specie, specie contaminanti.
	Possono essere proteine ​​indesiderate, DNA batterico o, a volte, persino virus inefficaci.
	Quindi lo scopo della purificazione è in realtà quello di separare il nostro prodotto vettore virale puro da tutti questi diversi contaminanti.
	Ma questi possono essere processi incredibilmente complicati, e sapete, che coinvolgono cromatografia o trattamenti enzimatici e un certo numero di fattori diversi che ne influenzano le 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 spesso è tramite l'uso della progettazione di esperimenti. E la progettazione di esperimenti che è comune in tutta la cronologia di sviluppo dei bioprocessi,
	li utilizziamo essenzialmente per esaminare, ottimizzare e caratterizzare in modo completo i nostri bioprocessi.
	In sostanza, man mano che avanziamo nella sequenza temporale dello sviluppo del farmaco, man mano che ci avviciniamo alla produzione commerciale, la dimensione dei nostri esperimenti aumenta.
	In realtà, il numero di esperimenti che possiamo fare 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 all'inizio della sequenza temporale dello sviluppo e il modo in cui lo facciamo è:
	sviluppare modelli efficaci. Quindi se abbiamo un modello efficace fin dall'inizio, ci dà in un certo senso la sicurezza di aver scelto le migliori condizioni mentre percorriamo la nostra scala di procedure.
	Quindi, spiegherò nel dettaglio come abbiamo utilizzato questa tecnologia di autovalidazione su un esempio specifico. 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 voi, ma abbiamo dovuto normalizzarli qui.
	Quindi questo era uno spazio di progettazione a tre fattori e la nostra...e la nostra variabile di output o risposta di interesse è questo livello di impurità. Quindi questo livello di impurità potrebbe essere la quantità di proteina del DNA contaminante, qualcosa di simile.
	Quindi l'obiettivo era davvero quello di ottimizzare questi modelli per ottenere il livello di impurità più basso possibile.
	E questo è il modo in cui inizialmente abbiamo guardato le nostre configurazioni JMP: ci sono tre variabili di input e questa impurità di risposta.
	Inizialmente abbiamo creato alcuni modelli utilizzando la piattaforma di regressione stepwise e anche la regressione Lasso, una funzionalità di JMP Pro.
	E in effetti all'inizio eravamo piuttosto soddisfatti di ciò che stavamo vedendo, quindi spiegavamo molti dati.
	Sembrava che stessimo spiegando la cosa piuttosto bene e abbiamo iniziato a vedere le variabili che ci saremmo aspettati di vedere emergere.
	Ma c'era una variabile che ci rendeva un po' meno sicuri, ed era questa interazione X1 X3, che potete vedere evidenziata qui.
	Se si porta l'attenzione in alto a destra dello schermo, si può vedere che questo profilo X1 cambia completamente a seconda
	il valore di X3, quindi a valori bassi di X3, non abbiamo questo tipo di effetto reale per essere onesti, e poi a valori alti di X3, abbiamo questo tipo di correlazione positiva.
	E questo ci ha davvero confusi e preoccupato un po', perché in realtà questa interazione X1 X3 non si adattava affatto a ciò che avremmo capito scientificamente.
	Ciò ci ha un po' confusi e ci siamo chiesti se i nostri modelli spiegassero davvero correttamente i dati che avevamo visto.
	Ha avuto anche implicazioni significative nel mondo reale per lo sviluppo del processo nel senso che questa variabile X3 era effettivamente nota
	per cambiare parecchio. 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 a fondo e caratterizzare. Quindi esplorare questa interazione avrebbe effettivamente richiesto notevoli costi di sperimentazione extra e anche in termini di tempo.
	Quindi abbiamo voluto eseguire una metodologia di convalida su questo, quindi abbiamo consultato i nostri colleghi di JMP,
	e in sostanza ci hanno detto che, sfortunatamente, non era possibile utilizzare questa convalida di holdout sulla 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 ci manca completamente una parte dello spazio di progettazione. Quindi non è realmente applicabile usare questa convalida hold out sui set di dati DOE.
	Così i nostri colleghi di JMP si sono rivolti a 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 usi 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, a me lo è sicuramente sembrato, ma mi è stato detto che il modo in cui ciò viene ottenuto è equo.
	è tramite l'applicazione di queste tre colonne extra, e in realtà tramite questo peso bootstrap frazionato.
	E, in sostanza, penso che l'idea qui sia che se si utilizza un pezzo di dati nell'addestramento del modello, lo si dovrebbe pesare in modo da non utilizzare lo stesso pezzo di dati tanto nella convalida, ed è così che si aggira l'idea di contare due volte i dati.
	Quindi abbiamo usato questa metodologia. L'abbiamo eseguita sui nostri modelli. Qui potete vedere la configurazione in JMP e utilizziamo di nuovo questa piattaforma di regressione generalizzata, che è uno strumento JMP Pro.
	E qui è praticamente la stessa cosa che stava spiegando José, ma invece di simulare per diversi
	incarichi di training e validazione, in realtà simuliamo questa ponderazione parziale. Quindi simuliamo questo un certo numero di volte per generare modelli diversi e in realtà lo abbiamo ripetuto 500 volte.
	Di nuovo, quindi l'output dei nostri dati ora è come, puoi vedere, con quello di Jose prima, sulla destra qui c'è un istogramma di quante volte una particolare variabile
	è stato elencato nel nostro modello e, sulla sinistra, hai queste stime dei parametri provenienti da vari modelli.
	In realtà ho appena disegnato questa linea rossa qui e l'ho chiamata la linea del fattore nullo. Quindi questa variabile del fattore nullo funziona in un certo senso come una variabile falsa.
	Sappiamo quindi che si tratta di una variabile in un certo senso senza senso perché, se osserviamo il fattore nullo sulla sinistra, possiamo vedere che le stime dei suoi parametri sono ampiamente distribuite attorno allo zero, quindi non sa esattamente dove andare.
	E così tracciamo questa linea e diciamo che ogni...la prima volta che appare quel fattore nullo, qualsiasi valore al di sotto di questo lo 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 che puoi vedere, questa interazione X1 X3, che era quella che destava preoccupazione.
	E qui potete vedere che si è verificato meno volte e che ci sono molti effetti del fattore nullo, quindi questa è stata una sorta di prima indicazione che abbiamo avuto del fatto che questo potrebbe non essere un effetto reale.
	Quindi non volevamo fermarci lì. Abbiamo eseguito più iterazioni di questo con diversi
	configurazioni di autovalidazione, e ho appena generato tre esempi qui. Ma potete vedere, in ogni esempio, evidenziato in blu, questa interazione X1 X 3 era costantemente più bassa di questa linea rossa, questa linea del fattore nullo.
	Quindi, in base a ciò, eravamo abbastanza sicuri che quello che stavamo osservando probabilmente non fosse un effetto reale e quindi siamo stati in grado di eliminarlo dai modelli che desideravamo.
	Ora solo un confronto di una specie di output finale di ciò che abbiamo ottenuto. Quindi sulla sinistra c'era il modello iniziale che abbiamo costruito che includeva questa interazione X1 X3.
	E poi sulla destra, questo modello autovalidato da cui abbiamo rimosso tutto questo.
	E suppongo che la prima cosa che abbiamo notato sia stata in realtà questa riduzione di R 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 sia effettivamente genuino.
	E qui puoi vedere la differenza nelle condizioni di ottimizzazione della minimizzazione che ne derivano.
	E questo ha avuto in realtà una serie di benefici per noi, in termini di elaborazione. Quindi ricordate 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 potevamo ridurre quella variabile.
	Di nuovo, anche la diminuzione della variabile X2 rappresenta, per ragioni scientifiche, un notevole vantaggio per il nostro processo, quindi siamo in grado di ridurre anche questa, il che è stato un vantaggio per noi.
	E queste sono delle coincidenze fortunate, credo, ma la cosa di cui siamo stati davvero contenti è stata che in realtà,
	puoi vedere la rimozione di questa interazione X1 X3, stavamo vedendo che in realtà i profili di X1 e X2 erano costanti e che in realtà si adattavano davvero con
	la comprensione scientifica che ci aspettavamo, quindi siamo stati molto contenti di osservarlo. E ovviamente ora ce ne siamo andati, e abbiamo testato entrambi i modelli con esperimenti di follow-up solo per vedere quale funzionava meglio.
	E in ogni occasione, questo modello effettivamente... autovalidato è stato in linea con le osservazioni che abbiamo visto nei nostri esperimenti finali.
	Ora te lo restituisco, 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 la bioelaborazione.
	E qui abbiamo esaminato due metodi di convalida per aiutarci con i nostri bioprocessi, per evidenziare potenziali effetti non reali che possiamo eliminare dai nostri esperimenti di ottimizzazione.
	Quindi abbiamo utilizzato con successo lo strumento di convalida hold out per rimuovere una serie di parametri dal nostro elenco di ottimizzazione e poi abbiamo utilizzato anche la convalida automatica durante i nostri esperimenti di tipo DOE.
	E, e in questi casi i modelli che sono stati generati sono stati poi confermati da un lavoro sperimentale. Quindi, nel complesso, siamo stati molto soddisfatti di come abbiamo potuto usare JMP Pro,
	in particolare, i metodi di convalida all'interno dei nostri bioprocessi ci aiutano a risparmiare molto tempo e risorse e a non concentrarci su effetti non reali.
	E per concludere, vorremmo ringraziare Robert Anderson e Anna Roper di JMP che ci hanno aiutato durante tutta la presentazione. Per noi è tutto, e grazie per aver ascoltato.

ScoppiareDOEModellazione predittiva