扬声器 | 成绩单 |
| 丽贝卡·克拉克（Rebecca Clarke） | 大家好，我叫Rebecca。今天，Jose和George加入了我的行列，今天我们将与您谈谈如何使用JMP Pro验证方法来帮助我们避免浪费时间调查虚假效果。 |
| 因此，首先，我将向我们介绍一家公司以及我们的做法。 我们为牛津生物医学公司工作。 |
| 我们是基因和细胞疗法业务的先驱，并且在慢病毒载体的研究，开发和生物处理方面处于领先地位。 |
| 因此，我们在该领域拥有20多年的经验。 我们是第一家使用慢病毒载体（？）疗法治疗人类的公司。 某些 |
| 我们与之合作的本地合作伙伴列在右下角，因此我们与诺华，索诺菲，勃林格殷格翰和果园疗法合作，我们所治疗的某些疾病包括癌症，中枢神经系统疾病和囊性纤维化一些。 |
| 因此，去年，当我们签署了英国疫苗联盟时，Oxford Biomedia也加入了反对COVID-19的斗争。 |
| 该财团由牛津大学詹纳研究所（Jenner Institute）运营，目标是迅速开发出COVID-19候选疫苗。 |
| 通过加入该财团，Oxford Biomedica允许财团获得我们的最新技术，从而扩大了疫苗的生产规模？套房。 因此，从那以后，我们与阿斯利康签署了一份临床和商业供应协议。 |
| 并且，根据该协议，如果在临床试验中证明成功，我们同意提供阿斯利康COVID疫苗。 而且，我敢肯定，您都知道，这种疫苗确实很成功，并且直到今天牛津Biologica仍在继续生产COVID-19疫苗。 |
| 因此，我也只想简单介绍一下我们在OXB中使用的流程。 |
| 因此，生物过程是利用活细胞或其成分获得所需产品的过程，因此众所周知 |
| 这种方法的一个例子是酒精饮料的发酵。 |
| 在此过程中，酵母是生命的组成部分，酵母和酿造啤酒所需的所有其他成分被放入生物反应器中，酵母会引发称为发酵的化学反应。 在发酵过程中，葡萄糖转化为乙醇。 |
| 然后，一旦发酵反应完成，就将生物反应器的内容物收获并通过过滤纯化，然后剩下最终产品即啤酒。 |
| 因此，我们在牛津生物医学研究所利用的过程类似于发酵。 因此，我们流程的生命要素是 |
| 细胞培养物，因此我们将生物反应器和细胞反应物一起放入细胞培养物中，并制成慢病毒因子。 |
| 在该生产过程的最后，将生物反应器中的内容物进行下游处理，在此进行纯化，然后将其装瓶并运出以供患者使用。 |
| 因此，此幻灯片仅显示了药物开发的生命周期。 因此，最底部的左侧是研究阶段。 |
| 因此，在这个阶段，我们确定了在疾病机制中很重要的靶基因或蛋白质。 |
| 并且，我们还开发了针对这些目标的药物，并展示了该药物针对疾病的能力是否成功。 |
| 然后，在生命周期的尽头，我们进行了商业生产，制造并装瓶用于患者的药物。 |
| 因此，我们的过程，研究与开发小组位于这两个阶段之间。 设计，优化和扩大生产流程是我们的工作 |
| 并将药品从研究台转移到制造。 我们使用的一些过程包括小型摇瓶，我们一直沿50升生物反应器运行。 |
| 因此，您可以想象，我们在工作过程中会生成大量数据，生物反应器具有许多需要监控和优化的输入参数。 |
| 由于生成的数据量巨大，因此很难确定优化过程中应关注的参数。 |
| 仅仅由于我们必须使用大量的参数，我们无法在每个参数上单独优化每个参数在商业上是不可行的，因此，在这一点上，我们希望进行统计建模。 |
| 然后，我们使用模型来尝试缩小应优化的潜在参数的范围。 |
| 因此，尽管这些模型很有用，但我们在工作中确实会产生大量随机噪声，这取决于生物加工的生命本质，因此没有两种文化是相同的。 |
| 因此，这种随机噪声显然已纳入我们的统计模型，这可能导致我们在优化实验中浪费时间查看非真实的影响。 |
| 因此，考虑到这一点，我们希望使用JMP Pro，特别是验证功能， |
| 希望这将有助于我们进一步缩小我们将要查看的参数的范围，从模型中消除非真实的影响，以及 |
| 以避免我们也过度拟合我们的模型。 现在，我将交给Jose，他将与您讨论整个数据验证方法。 |
| 何塞·贡萨尔维斯 | 是的，我叫Jose，我将讨论整个优化方法，所以这是一种方法，这是仅在JMP Pro上可用的建模工具。 我们有兴趣探索如何使用...在OXB中它可能对...有多大用处... |
| 我看到它可能有用 |
| OXB用于生物过程数据建模。 正如丽贝卡所说 |
| 我们在过程中使用这些steritank（？）反应器，基本上我们将细胞生长到这些生物反应器中，并产生这些病毒载体，这就是我们的 |
| 主要产品。 这是...这是我们想要最大化并想要建模的东西，所以这实际上是我们的响应变量。 |
| 生物反应器需要许多控制输入并在一个生产过程中产生大量数据，因此拥有一种工具来帮助确定哪些输入输出值得研究， |
| 这对我们来说将具有巨大的价值。 这将使我们节省时间，释放资源，并允许采用更有针对性的方法进行调查。 |
| 因此，在进入模型构建之前，我们必须首先从历史批次中收集尽可能多的数据。 |
| 因此，这些数据为我们提供了生产过程的运行方式以及数据中的任何异常情况的指示，这可能表明对载体效价的有害影响。 因此，在左侧，您可以看到 |
| 我们从20个变量中收集了数据，很遗憾，不幸的是，我们无法显示变量的实际名称，因此不得不匿名化数据。 |
| 因此，我们从X1到X20在此处列出它们，由于我们的过程是一个动态过程，因此我们无法期望预测变量之间的共线性程度。 所以 |
| 总而言之，我们有一个数据集，其中包含20个变量或模型的20个候选预测变量，并且我们已经从67个历史批次中收集了数据。 |
| 因此，由于这是JMP Pro试用版的一部分，因此我们认为一开始使用标准JMP来构建模型，然后将其用作与使用hold方法构建的另一个模型的比较是一件很棒的事情出配方法。 |
| 在这里，要建立没有验证方法的模型，我们使用JMP和 |
| 我们在这里选择响应面模型是因为我们希望允许所有主要效果，交互作用项和平方项进入模型。 在这里，在个性方面，我们选择逐步进行。 所以在右边 |
| 我们有逐步回归控制面板，我们使用停止规则作为我们的P值阈值，因此其余参数默认情况下保留为它们。 |
| 然后，在运行逐步回归之后，这就是最终生成的模型。 |
| 所以在这里，您可以看到我们在模型中有八个术语，其中七个，它们实际上很重要。 因此，我想在此仅针对前三个三个因素引起您的注意，因为它们具有...在我们的模型中非常重要，它们将 |
| 在我要展示的几张幻灯片中非常重要 |
| 结果...结果 |
| 当我们使用保留验证方法时，这里的旧模型很重要，可以解释我们数据集中约44％的变化。 |
| 因此，这是我们最初的方法。 |
| 我们对生成的第一个模型感到满意，但是我们更感兴趣的是对此有更多的了解。 |
| 因为要研究所有这些预测因素，这将花费大量时间和实验室资源，因此我们接下来要采用的方法。 |
| 因此，这里是此保持验证方法如何工作的概述。 |
| 并且，基本上，我们有我们的数据集，并且我们的数据集将被随机分为两组。 因此，在左侧，数据的70％ |
| 它将被分配到一个训练集中，该训练集中将用于专门构建模型的数据比例。 |
| 在右侧，我们将分配给验证集的数据有30％，这是将要使用的数据的比例 |
| 当验证集的R平方（最大值）停止我们的模型构建过程时。 所以在底部 |
| 我们可以看到，这是逐步回归平台的屏幕截图，与以前使用的屏幕截图基本相同，但是有一个停止规则，表明这是， |
| 最大验证R平方而不是我们的p值阈值。 所以在这里，此图在底部，它显示 |
| 我们有训练集，这里有验证集，被标记为排除。 |
| 因此，正如您所看到的，当我们开始将术语输入模型时，训练集 |
| 因为我们在这里有这个规则，即前向规则，所以我们从模型中的零项开始，然后逐步地将项添加到模型中。 |
| 当我们开始添加这些项时，R平方的增加非常快，直到我们在模型中添加了五个项之后，R平方的改善并没有太大增加。 |
| 当我们开始...当我们不断添加越来越多的术语时。 因此，当我们使用此方法时，重要的事情之一就是验证集中会发生什么， |
| 因为这与我们的停止规则有关。 因此，发生的事情基本上与我们开始在模型中添加条件相同， |
| R平方非常快地增加，直到达到最大R平方时，然后此点之后，随着我们不断添加越来越多的项，R平方减小。 |
| 因此，这正是此验证集所要执行的操作...什么...我们想在此阶段使用此验证集来停止模型构建过程，因此我们可以在此处包括所有这些术语，以最我们数据集的变化，避免 |
| 在模型中包含所有这些术语可能会导致模型过度拟合，或者它们实际上可能根本不是真实的。 |
| 因此，在运行逐步回归之后，这就是最终生成的模型，并且正如您所看到的，我们已经将有效项从八个或七个减少到只有三个。 而且，您还记得过，这些术语在我们不使用 |
| 保持验证方法，因此在这里它们似乎根本不重要。 |
| 实际上，该模型仅能解释我们数据集中变化的4％。 |
| 因此，这很……我们认为这大大减少了模型中的项数，因此我们开始思考，好吧，也许我们对于为生成的验证集有点不走运 |
| 建立这个特定的模型，我们认为我们... JMP Pro中最棒的事情之一就是我们可以使用这种广义的回归平台，从本质上来说...输出基本上与逐步回归中的输出相同，但是在此 |
| 在广义回归平台上，我们能够使用此仿真功能。 这基本上是根据需要多次重复运行模型。 |
| 然后将其用于所生成的每个模型，它使用不同的验证集。这就是我们接下来要采用的方法。 |
| 而且因为 |
| 我们无法列出我们生成的所有模型的全部，实际上，我们只是...我们试图生成100个模型，或者我们对模型进行了100次仿真。 因此，我们无法在此处列出所有列表。 |
| 我们想要总结结果的方法是...我们试图计算经过这100次模拟后，选择一个特定因子以包含在模型中的次数。 |
| 因此，这正是此图在此处显示的内容。 所以在右边...在左边 |
| 我们只是...这些只是参数估计。 只是观察数据的分散性很好。 和这里， |
| 如您所见，我们拥有X13，X8，而当我们不使用此方法时，这个交互项实际上很重要。 这里以X13为例，它只是...被拾取了46次 |
| 包含在模型中，或有46％的时间包含在模型中，因此，这是一个很小的数字，正如我们期望的那样， |
| 这些因素在我们不使用此方法时非常重要。 所以 |
| 我们采用保留验证方法得出的结论是，对于科学家，尤其是当我们构建模型和 |
| 我们发现这些变量非常重要，并且与我们的科学理解不太吻合。 所以我们得出的另一个结论是 |
| 特别是对于本研究而言，我们可以安全地假设，我们研究的过程属性不会显着影响载体滴度。 所以我现在要交给乔治。 他将谈论自动验证。 |
| 乔治·帕门特 | 大家好，我叫乔治。 我在牛津生物医学公司的净化小组工作。 我将谈论有关此自动验证的内容 |
| JMP提供给我们的方法及其在实验设计中的特定用途，例如数据结构。 我将谈一点我们如何使用该方法从病毒载体纯化的优化模型中实际删除变量。 |
| 好的，所以从不了解病毒载体纯化的背景知识入手。 |
| 因此，从本质上讲，我们从生物反应器中获得了这种细胞培养材料。 |
| 而且该物质是非常粗糙的物质，因此包括我们感兴趣的治疗剂在内的都是非常病毒的载体，其中还包括成千上万的其他物种，污染物物种。 |
| 它们可以是任何东西，从不需要的蛋白质到细菌DNA，有时甚至是无效的病毒。 |
| 因此，纯化的目的实际上是从所有这些不同的污染物中分离出我们的纯病毒载体产品。 |
| 但是，这些过程可能是非常复杂的过程，并且您知道，涉及色谱或酶处理以及许多影响其性能的不同因素。 因此，我们需要一种有效选择最佳条件以达到最佳纯度的方法。 |
| 而且我们经常这样做的方法是使用实验设计。 以及在整个生物过程开发时间表中通用的实验设计， |
| 我们本质上使用它们来筛选，优化和全面表征我们的生物过程。 |
| 从本质上讲，随着我们在药物开发时间表中的进展，在我们迈向商业化生产的过程中，我们的实验规模不断扩大。 |
| 实际上，我们可以做的实验数量在减少，并且随着我们越接近商业产品，改变事物的难度就越大。 |
| 因此，我们需要能够在开发时间表的早期就做出明智的决定，而我们的方法是 |
| 开发有效的模型。 因此，如果我们早期就有一个有效的模型，那么它一定会让我们充满信心，因为我们在进行程序规模时会选择最佳条件。 |
| 因此，我将详细介绍我们如何在特定示例中使用这种自动验证技术。 因此我们进行了响应面设计实验 |
| 在病毒载体纯化步骤中，我们仍然无法与您共享实际数据，但是我们不得不在此处进行标准化。 |
| 因此，这是一个三因素设计空间，而我们...以及我们感兴趣的输出或响应变量就是此杂质水平。 因此，这种杂质水平可能就是污染性DNA蛋白的量，这就是这种描述。 |
| 因此，这样做的目的实际上是针对可能的最低杂质水平优化这些模型。 |
| 这就是我们最初在JMP设置中的样子，其中包含三个输入变量和此响应杂质。 |
| 因此，我们最初使用逐步回归平台和Lasso回归构建了一些模型，这是JMP Pro的功能。 |
| 实际上，在开始时，我们对看到的结果感到非常满意，因此，我们解释了很多数据。 |
| 我们似乎很好地解释了这一点，并且开始看到我们期望看到的变数。 |
| 但是有一个变量使我们不太确定，那就是这种X1 X3交互，您可以在这里看到我突出显示的内容。 |
| 如果您将注意力转移到屏幕的右上角，则可以看到该X1配置文件完全更改，具体取决于 |
| X3的值，所以在X 3的值较低时，说实话，我们没有这种真正的影响，然后在X3的值较高时，我们就有这种正相关。 |
| 这实际上使我们感到困惑，这有点令人担忧，因为实际上X1 X3交互确实不符合我们科学地理解的范围。 |
| 因此，这让我们有些困惑，也有点像我们的模型真正说明了我们正确看到的数据。 |
| 从这个X3变量实际上是已知的意义上来说，它对流程开发也具有重大的现实意义。 |
| 改变很多。 所以我在这里使用的类比是，如果我们正在开发两种药物的给药方式，那么X1和X2 |
| 我们发现剂量实际上取决于患者的年龄（例如X3），这是您真正需要挖掘和表征的东西。 因此，探索这种相互作用实际上还需要大量额外的实验成本，并且要及时进行。 |
| 因此，我们希望以此为基础运行一些验证方法，因此我们咨询了JMP的同事， |
| 他们本质上对我们说，不幸的是，他们实际上不可能在实验数据结构的设计中使用这种保留验证。 |
| 原因是，如果可以想象，我将70％的验证集分配了这种训练集，用于我在设计空间中的数据， |
| 我们实际上是在构建模型，但实际上完全缺少了设计空间的一部分。 因此，在DOE数据集上使用此保留验证并不真正适用。 |
| 因此，JMP的同事通过这种自动验证来找我们。 |
| 而且向我解释的方式实质上是您将对整个数据集重新采样。 因此，您可以将整个数据集用于训练，而将整个数据集用于验证。 |
| 乍看起来似乎有点像作弊，这确实对我造成了影响，但我被告知，公平实现这一目标的方法是 |
| 是通过应用这三列额外的列，并且实际上是通过减少的分数加权自举权重。 |
| 而且，从本质上讲，我认为这里的想法是，如果您在模型训练中使用一条数据，那么您将不愿使用该条数据，以便您在验证中不使用相同的数据，并且这就是您如何避免重复计算数据的想法。 |
| 因此，我们使用了这种方法。 我们在模型上运行它。 在这里，您可以看到JMP中的设置，我们再次使用此通用回归平台，它是JMP Pro工具。 |
| 这与Jose解释的内容几乎相同，但没有模拟不同的内容 |
| 训练和验证作业，我们实际上模拟了这种部分加权。 因此，我们多次模拟以生成不同的模型，而实际上我们经历了500次。 |
| 再次，所以我们的数据输出现在就像右图所示，在右侧是一个特定变量多少次的直方图 |
| 列在我们的模型中，在此处的左侧，您已经从各种模型获得了这些参数估计值。 |
| 实际上，我刚刚在这里画了这条红线，并将其称为零因子线。 因此，这种空因子变量的操作有点像伪变量。 |
| 因此我们知道这是一个无意义的变量，因为如果我们看一下左侧的空因子，您会发现其参数估计值分布在零附近，因此它并不真正知道该去哪里。 |
| 因此，我们划定这条线，并说，任何……首次出现空值因素时，任何低于此值的东西我们都将很可能认为是非真正的影响。 |
| 因此，这是一系列非真实术语。 我用蓝色突出显示了该X1 X3交互，这是值得关注的问题。 |
| 您可以在这里看到它出现的次数减少了，并且产生了许多零因素影响，因此这是我们有第一个迹象表明这可能不是真正的影响。 |
| 所以我们不想在那儿停下来。 我们对此进行了多次迭代 |
| 自动验证设置，我这里只是生成了三个示例。 但是，在每个示例中，您都可以看到以蓝色突出显示的是X1 X 3交互作用始终低于该红色线，该空因子线。 |
| 因此，基于此，我们非常有信心，我们所看到的可能不是真正的效果，因此我们能够从所需模型中消除这种影响。 |
| 现在只是对我们所得到的最终输出进行比较。 因此，在左侧是我们构建的包含X1 X3交互的初始模型。 |
| 然后在右侧，我们删除了该自动验证的模型。 |
| 我想，我们注意到的第一件事实际上是R平方的减小。 因此，起初看来您似乎在解释较少的数据，但实际上，现在我们对所解释的是真实的有了更多的信心。 |
| 您可以在此处看到输出的最小化优化条件的差异。 |
| 实际上，就处理而言，这实际上为我们带来了许多好处。 因此，请记住，这些都是现实生活中的变量，它们背后都有真实的事物。 |
| 因此，实际上，这个X1变量对于我们的过程而言是非常昂贵的事情。 因此，我们非常……很高兴看到我们可以减少该变量。 |
| 同样，由于X2变量下降，实际上，由于科学原因，这实际上也对我们的过程有好处，因此我们也可以减少它，这对我们是有益的。 |
| 我猜这些都是偶然的巧合，但我们真正感到高兴的是，实际上， |
| 您可以看到删除了X1 X3交互，我们看到X1和X2的轮廓实际上是恒定的，并且与 |
| 我们所期望的科学理解，因此我们很高兴观察到这一点。 显然，我们现在已经离开了，我们通过跟踪实验测试了这两个模型，以查看哪个模型表现最好。 |
| 在所有情况下，实际上……这个经过自动验证的模型与我们在最终最终实验中看到的观察结果一致。 |
| 丽贝卡，我现在将其交还。 |
| 丽贝卡·克拉克（Rebecca Clarke） | 我将对我们所讨论的内容做一个简短的总结。 因此，我们知道非真实的影响对于生物加工的开发时间表和实验成本都具有现实意义。 |
| 在这里，我们研究了两种验证方法来帮助我们进行生物过程，以突出我们可以从优化实验中消除的潜在非真实效应。 |
| 因此，我们成功使用了保留验证工具从优化列表中删除了许多参数，然后在DOE类型实验中也使用了自动验证。 |
| 并且，在这些情况下，生成的模型随后也将通过实验工作进行确认。 因此，总的来说，我们对如何使用JMP Pro感到非常满意， |
| 特别是，我们生物过程中的验证方法可以帮助我们节省大量时间和资源，而不必关注非真实效果。 |
| 最后，我们要感谢JMP的Robert Anderson和Anna Roper，他们在整个演示过程中都为我们提供了帮助，仅此而已，感谢您的收听。 |
