Vocero | Transcripción |
| Rebecca Clarke | De acuerdo, hola a todos, mi nombre es Rebecca y hoy me acompañan José y George y hoy vamos a hablarles sobre cómo usamos los métodos de validación de JMP Pro para ayudarnos a dejar de perder el tiempo investigando efectos falsos. |
| En primer lugar, solo voy a presentarnos como empresa y lo que hacemos. Trabajamos para Oxford Biomedica. |
| Somos pioneros en el negocio de las terapias génicas y celulares, y ocupamos una posición de liderazgo en la investigación, el desarrollo y el bioprocesamiento de vectores lentivirales. |
| Por eso contamos con más de 20 años de experiencia en el campo. Fuimos la primera empresa en tratar a los seres humanos con una terapia basada en vectores lentivirales (?). Algunos de los |
| Los socios locales con los que trabajamos se enumeran aquí en la parte inferior derecha, por lo que trabajamos con Novartis, Sonofi, Boehringer Ingelheim y Orchard Therapeutics y algunas de las afecciones que tratamos incluyen cáncer, trastornos del sistema nervioso central y fibrosis quística, solo por nombrar unos pocos. |
| Así que el año pasado, Oxford Biomedia también se unió a la lucha contra COVID-19 cuando nos inscribimos en el consorcio de vacunas del Reino Unido. |
| Y el consorcio estaba dirigido por el Instituto Jenner de la Universidad de Oxford y el objetivo era desarrollar rápidamente una vacuna candidata COVID-19. |
| ¿Y al unirse a este consorcio, Oxford Biomedica permitió esta fabricación a escala de la vacuna al permitir que el consorcio acceda a nuestro estado de la técnica? suites. Entonces, a partir de eso, firmamos un acuerdo de suministro clínico y comercial con AstraZeneca. |
| Y, con este acuerdo, acordamos suministrar la vacuna AstraZeneca COVID en caso de que resultara exitosa en los ensayos clínicos. Y como estoy seguro de que todos saben, la vacuna fue realmente exitosa y Oxford Biologica continúa fabricando la vacuna COVID-19 hasta el día de hoy. |
| Así que también quiero presentar brevemente los procesos que usamos aquí y luego en OXB. |
| Entonces, un bioproceso es un proceso que utiliza una célula viva o sus componentes para obtener un producto deseado, por lo que un conocido |
| ejemplo de tal proceso sería la fermentación de bebidas alcohólicas. |
| Y durante este proceso, la levadura es el componente vivo y la levadura más todos los demás ingredientes necesarios para elaborar cerveza se colocan en un biorreactor y la levadura inicia una reacción química llamada fermentación. Durante la fermentación, la glucosa se convierte en etanol. |
| Y luego, una vez que se completa esta reacción de fermentación, el contenido del biorreactor se cosecha y se purifica mediante filtración y luego nos queda el producto final que es la cerveza. |
| Entonces, el proceso que utilizamos aquí en Oxford Biomedica es similar a la fermentación. Entonces, el componente vivo de nuestro proceso son |
| cultivos celulares, por lo que con los biorreactores colocamos en cultivos celulares y también los otros componentes necesarios para producir los factores lentivirales. |
| Al final de este proceso de producción, el contenido del biorreactor se transfiere para el procesamiento posterior, donde el producto se purifica y luego se embotella y envía para su uso en pacientes. |
| Entonces, esta diapositiva solo muestra el ciclo de vida del desarrollo de fármacos. Entonces, en el lado izquierdo, en la parte inferior, está la etapa de investigación. |
| Entonces, es en esta etapa donde identificamos genes o proteínas diana que son importantes en los mecanismos de la enfermedad. |
| Y también desarrollamos fármacos contra estos objetivos y mostramos si el fármaco tiene éxito en su capacidad de atacar la enfermedad. |
| Y luego, al final del ciclo de vida, tenemos la fabricación comercial, donde el medicamento se fabrica y se embotella para su uso en pacientes. |
| Entonces, nuestro grupo, el de Procesos, Investigación y Desarrollo, se ubica entre estas dos etapas. Nuestro trabajo es diseñar, optimizar y ampliar el proceso de producción. |
| y trasladar el producto farmacéutico del banco de investigación a la fabricación. Algunos de los procesos que utilizamos incluyen matraces de agitación a pequeña escala y trabajamos bien en biorreactores de 50 litros. |
| Entonces, como puede imaginar, generamos una gran cantidad de datos durante el transcurso de nuestro trabajo y los biorreactores tienen muchos parámetros de entrada que debemos monitorear y optimizar. |
| Con el gran volumen de datos que generamos, es bastante difícil discernir en cuál de los parámetros debemos enfocarnos durante nuestra optimización. |
| Y solo por la gran cantidad de parámetros con los que tenemos que trabajar, no es comercialmente viable para nosotros optimizar cada uno individualmente, por lo que en este punto, buscamos modelos estadísticos. |
| Y usamos los modelos para intentar reducir la lista de posibles parámetros que deberíamos optimizar. |
| Y así, aunque estos modelos son útiles, generamos mucho ruido aleatorio durante nuestro trabajo, y esto se debe a la naturaleza viva del bioprocesamiento, por lo que no hay dos culturas iguales. |
| Así que este ruido aleatorio obviamente se incorpora a nuestros modelos estadísticos y esto puede llevarnos a perder el tiempo mirando efectos no genuinos durante nuestros experimentos de optimización. |
| Así que, con esto en mente, buscamos utilizar JMP Pro, específicamente las funciones de validación, |
| lo que con suerte nos ayudará a reducir aún más la lista de parámetros que veremos, eliminar los efectos no genuinos de los modelos y también |
| para evitarnos sobreajustar nuestros modelos también. Así que ahora le voy a pasar la palabra a José, quien les explicará todo el método de validación de datos. |
| José Goncalves | Bien, mi nombre es José y voy a hablar sobre todo el método de optimización, así que este es un método, esta es una herramienta de modelado solo disponible en JMP Pro. Estábamos interesados en explorar cómo usar ... qué tan útil podría ser en OXB para ... |
| Vi lo útil que podría ser |
| a OXB para el modelado de datos de bioprocesos. Entonces, como Rebecca estaba diciendo, |
| Usamos estos reactores steritank (?) en nuestro proceso y básicamente cultivamos células en estos biorreactores y producimos estos vectores virales, que son nuestros |
| Producto principal. Es un ... es lo que queremos maximizar y queremos modelar, así que esta es nuestra variable de respuesta realmente. |
| Y los biorreactores requieren muchas entradas de control y producen una gran cantidad de datos durante un proceso de producción, por lo que tener una herramienta que ayude a determinar qué entradas y salidas son dignas de investigación, |
| sería de gran valor para nosotros. Nos permitirá ahorrar tiempo, liberar recursos y permitir un enfoque más específico para procesar las investigaciones. |
| Entonces, antes de saltar a la construcción de modelos, primero tuvimos que recopilar tantos datos como pudimos de lotes históricos. |
| Y así, estos datos nos dan indicaciones sobre cómo se está ejecutando nuestro proceso de producción y cualquier anomalía en los datos podría indicar un efecto perjudicial sobre nuestros títulos de vectores. Así que aquí en el lado izquierdo, puedes ver que |
| recopilamos los datos de 20 variables, desafortunadamente, desafortunadamente no pudimos mostrar los nombres reales de las variables y tuvimos que anonimizar los datos. |
| Así que los enumeramos aquí de X1 a X20 y dado que nuestro proceso es bastante dinámico, no podemos esperar el grado de colinealidad entre predictores. Asi que |
| en resumen, tenemos un conjunto de datos que contiene 20 variables o 20 predictores candidatos para nuestro modelo, y nosotros, y hemos recopilado los datos de 67 lotes históricos. |
| Entonces, dado que esto era parte de la prueba de JMP Pro, pensamos que sería una gran cosa hacer al principio usar JMP estándar para construir el modelo y luego usarlo como una comparación con otro modelo construido usando el hold método de formulación. |
| Aquí, para construir el modelo sin el método de validación, usamos la plataforma de modelado estándar en JMP y |
| seleccionamos aquí el modelo de superficie de respuesta porque queríamos permitir que todos los efectos principales, términos de interacción y términos cuadrados entren en el modelo. Y aquí, en la personalidad, elegimos hacer una progresión escalonada. Así que aquí en el lado derecho |
| tenemos el panel de control de regresión paso a paso y usamos la regla de parada como nuestro umbral de valor P, por lo que los parámetros restantes los dejamos por defecto. |
| Y luego, después de ejecutar la regresión escalonada, este fue el modelo final que se generó. |
| Entonces, aquí puede ver que tenemos ocho términos en el modelo y siete de ellos son realmente significativos. Así que me gustaría llamar su atención solo sobre estos tres primeros factores aquí, porque tienen ... son muy importantes en nuestro modelo, y serán |
| muy importante en un par de diapositivas cuando voy a mostrar |
| los resultados ... los resultados |
| cuando nos acercamos a utilizar el método de validación de espera, por lo que el modelo anterior aquí es significativo y puede explicar aproximadamente el 44% de la variación en nuestro conjunto de datos. |
| Y así, este fue nuestro enfoque inicial. |
| Estábamos contentos con este primer modelo que se generó, pero estábamos más interesados en saber más sobre esto sobre los métodos de validación. |
| Porque para investigar todos estos predictores se necesitaría una cantidad considerable de tiempo y recursos de laboratorio, por lo que ese fue el enfoque que tomamos a continuación. |
| Así que aquí está una descripción general de cómo funciona este método de validación de exclusión. |
| Y, esencialmente, tenemos nuestro conjunto de datos y nuestro conjunto de datos se dividirá aleatoriamente en dos grupos. Entonces, en el lado izquierdo, el 70% de los datos |
| será, se asignará a un conjunto de entrenamiento, que es la proporción de datos que se utilizarán para construir exclusivamente el modelo. |
| Y aquí, en el lado derecho, tenemos el 30% de los datos que asignaremos a un conjunto de validación, y esta es la proporción de datos que se utilizarán. |
| para detener nuestro proceso de construcción de modelos cuando este R al cuadrado del conjunto de validación, que es su máximo. Así que aquí en la parte inferior |
| podemos ver, esta es una captura de pantalla de la plataforma de regresión paso a paso, que es esencialmente la misma que usamos antes, pero había una regla de detención, que muestra que esto es, |
| la validación máxima R al cuadrado en lugar de nuestro umbral de valor p. Entonces, aquí, este gráfico en la parte inferior, muestra |
| tenemos el conjunto de entrenamiento y tenemos el conjunto de validación aquí, que está etiquetado como excluido. |
| Y así, como puede ver, el conjunto de entrenamiento, cuando comenzamos a ingresar términos en el modelo, |
| Debido a que tenemos esta regla aquí, esta regla de dirección hacia adelante, comenzamos con cero términos en el modelo, y luego avanzamos paso a paso para agregar términos en el modelo. |
| A medida que comenzamos a agregar esos términos, la R al cuadrado aumenta bastante rápido, hasta cuando tenemos cinco términos en el modelo y luego no hay mucho aumento en la mejora en la R al cuadrado. |
| cuando empezamos ... cuando seguimos agregando más y más términos. Entonces, una de las cosas importantes cuando usamos este método es también lo que sucede en el conjunto de validación, |
| porque esto está relacionado con nuestra regla de detención. Entonces, lo que sucede es esencialmente lo mismo cuando comenzamos a agregar términos al modelo, |
| la R al cuadrado aumenta bastante rápido, hasta que llegamos al máximo R al cuadrado y luego, a medida que seguimos agregando más y más términos, la R al cuadrado disminuye. |
| Y entonces, esto es exactamente lo que hace este conjunto de validación es ... qué ... queremos usar este conjunto de validación para detener el proceso de construcción del modelo en esta etapa, para que podamos incluir todos estos términos aquí que explican la mayoría de la variación en nuestro conjunto de datos y evitar |
| la inclusión de todos estos términos en el modelo que podrían crear un sobreajuste del modelo o podrían no ser realmente genuinos en absoluto. |
| Entonces, después de ejecutar la regresión escalonada, este fue el modelo final que se generó y, como puede ver, hemos tenido una reducción de ocho o siete términos significativos a solo tres. Y, como recordará, estos términos aquí fueron muy significativos cuando no usamos la |
| el el método de validación de espera y aquí no parecen ser significativos en absoluto. |
| Y en realidad, este modelo solo es capaz de explicar alrededor del 4% de la variación en nuestro conjunto de datos. |
| Y así, esto fue bastante ... pensamos que era una disminución bastante dramática en la cantidad de términos en el modelo y comenzamos a pensar, está bien, tal vez tuvimos un poco de mala suerte con el conjunto de validación que se generó para |
| para construir este modelo en particular y pensamos que ... Una de las mejores cosas de JMP Pro es que podemos usar esta plataforma de regresión generalizada, que es esencialmente ... el resultado es esencialmente el mismo que en una regresión por pasos, pero en este |
| plataforma de regresión generalizada, podemos utilizar esta función de simulación. Y lo que esto básicamente hace es volver a ejecutar el modelo una y otra vez, tantas veces como queramos. |
| Y luego úselo para cada modelo que se genere, usa un conjunto de validación diferente. así que este fue el enfoque que tomamos a continuación. |
| Y porqué |
| no pudimos enumerar todos los modelos que generamos, esencialmente solo ... intentamos generar 100 modelos, o hicimos 100 simulaciones de modelos. Así que no pudimos enumerarlos todos aquí. |
| Y la forma en que queríamos resumir los resultados es ... intentamos contar el número de veces que se seleccionó un factor en particular para incluirlo en el modelo después de esas 100 simulaciones. |
| Y así, esto es exactamente lo que muestra este gráfico aquí. Así que a la derecha ... a la izquierda |
| solo tenemos ... estas son solo las estimaciones de los parámetros. Esto es bueno solo para observar la dispersión de los datos. Y aquí, |
| como puede ver, tenemos el X13, X8 y son estos términos de interacción los que fueron realmente significativos cuando no usamos este método. Y aquí si tomamos como ejemplo, X13, fue solo ... solo fue recogido 46 veces |
| para ser incluido en el modelo o el 46% del tiempo para incluirlo en el modelo, y así, que es un número bastante bajo, como esperábamos desde |
| Estos factores aquí, fueron muy significativos cuando no usamos este método. Asi que |
| La conclusión que asumimos al utilizar el método de validación de retención es que definitivamente es una buena herramienta para los científicos y especialmente cuando construimos modelos y |
| tenemos estas variables que resultan significativas y no encajan del todo en nuestro conocimiento científico. Entonces otra ... otra conclusión que tomamos es que |
| específicamente para este estudio es que podemos asumir con seguridad que los atributos del proceso que estudiamos no tienen un impacto significativo en los títulos de nuestros vectores. Así que ahora le voy a entregar la palabra a George. Va a hablar de la autovalidación. |
| George Pamenter | Bien, hola a todos, mi nombre es George. Trabajo en el grupo de purificación aquí Oxford Biomedica. Voy a estar hablando un poco de esta autovalidación |
| método que nos fue puesto desde JMP y su uso específico en diseño de experimentos, como estructura de datos. Y voy a hablar un poco sobre cómo hemos utilizado esa metodología para eliminar una variable de un modelo de optimización de purificación de vectores virales. |
| Bien, para empezar con un poco de información sobre la purificación de un vector viral para aquellos que no lo saben. |
| Básicamente, recibimos este material de cultivo celular de los biorreactores. |
| Y ese material es material bastante crudo, por lo que incluye nuestra terapéutica de interés son los vectores muy virales, que también incluye miles de otras especies, especies contaminantes. |
| Y pueden ser cualquier cosa, desde proteínas no deseadas hasta ADN bacteriano o, a veces, incluso virus ineficaces. |
| Por tanto, el objetivo de la purificación es realmente separar nuestro producto de vector viral puro de todos estos diferentes contaminantes. |
| Pero estos pueden ser procesos increíblemente complicados, y ya sabes, que involucran cromatografía o tratamientos enzimáticos y una serie de diferentes factores que afectan su desempeño. Por eso, necesitamos una forma de seleccionar de manera eficiente las mejores condiciones para alcanzar la mayor pureza. |
| Y la forma en que lo hacemos muchas veces es mediante el diseño de experimentos. Y diseño de experimentos que son comunes a lo largo de la línea de tiempo de desarrollo de bioprocesos, |
| esencialmente los usamos para filtrar, optimizar y caracterizar completamente nuestros bioprocesos. |
| Esencialmente, a medida que avanzamos en la línea de tiempo del desarrollo de fármacos, a medida que avanzamos hacia la fabricación comercial, aumenta el tamaño de nuestros experimentos. |
| La cantidad de experimentos que podemos hacer en realidad disminuye, y cada vez nos resulta más difícil cambiar las cosas cuanto más nos acercamos a un producto comercial. |
| Por lo tanto, debemos ser capaces de tomar decisiones inteligentes al principio de la línea de tiempo de desarrollo y la forma en que lo hacemos es mediante |
| desarrollar modelos efectivos. Entonces, si tenemos un modelo efectivo desde el principio, nos da la confianza de que hemos elegido las mejores condiciones a medida que avanzamos en nuestra escala de procedimiento. |
| Así que solo voy a detallar cómo hemos usado esta tecnología de autovalidación en un ejemplo específico. Así que realizamos el diseño de la superficie de respuesta de los experimentos. |
| en un paso de purificación de vector viral y, nuevamente, no podemos compartir los datos reales con usted, pero hemos tenido que normalizarlos aquí. |
| Así que este era un espacio de diseño de tres factores y nuestro ... y nuestra variable de salida o respuesta de interés es este nivel de impureza. Entonces, este nivel de impureza podría ser la cantidad de proteína de ADN contaminante, algo de esa descripción. |
| Entonces, el objetivo de esto realmente era optimizar estos modelos para obtener el nivel de impureza más bajo posible. |
| Y así es como nos veíamos inicialmente en nuestras configuraciones JMP, hay tres variables de entrada y esta impureza de respuesta. |
| Así que inicialmente construimos algunos modelos, utilizando la plataforma de regresión paso a paso y también la regresión Lasso, que era una función de JMP Pro. |
| Y de hecho, al principio, estábamos bastante satisfechos con lo que estábamos viendo, así que estábamos explicando muchos de los datos. |
| Parecía que lo estábamos explicando bastante bien y comenzamos a ver las variables que esperaríamos ver surgir. |
| Pero había una variable que nos hizo menos seguros, y esa fue esta interacción X1 X3, pueden ver que he destacado aquí. |
| Si llama su atención hacia la parte superior derecha de la pantalla, puede ver que este perfil X1 cambia por completo dependiendo de |
| el valor de X3, por lo que a valores bajos de X 3, tenemos este tipo de efecto no real para ser honesto, y luego a valores altos de X3, tenemos este tipo de correlación positiva. |
| Y eso realmente nos confundió y fue un poco preocupante porque en realidad esta interacción X1 X3 realmente no encajaba con lo que entenderíamos científicamente. |
| Así que eso nos confundió un poco y también fue un poco como si nuestros modelos realmente explicaran los datos que habíamos visto correctamente. |
| También tuvo implicaciones significativas en el mundo real para el desarrollo de procesos en el sentido de que esta variable X3 se conocía realmente |
| para cambiar bastante. Entonces, la analogía que usaría aquí sería que si estuviéramos desarrollando una dosis de dos medicamentos, por lo que X1 y X2, |
| y descubrimos que en realidad la dosificación depende de la edad del paciente, digamos X3, eso es algo que realmente hay que profundizar y caracterizar. Por lo tanto, explorar esta interacción habría requerido costos de experimentación adicionales significativos y también en tiempo. |
| Así que queríamos ejecutar alguna metodología de validación sobre eso, por lo que consultamos a nuestros colegas de JMP, |
| y esencialmente nos dijeron que, desafortunadamente, no era posible usar esta validación de reserva en el diseño de la estructura de datos del experimento. |
| Y la razón de eso es, si pueden imaginar, que asigné el 70% de un conjunto de validación, ese tipo de conjuntos de entrenamiento a mis datos aquí en el espacio de diseño, |
| que en realidad estamos construyendo el modelo, pero que en realidad nos falta una parte del espacio de diseño. Por lo tanto, no es realmente aplicable utilizar esta validación de retención en conjuntos de datos del DOE. |
| Entonces, nuestros colegas de JMP vinieron a nosotros con esta autovalidación. |
| Y la forma en que se me explicó fue esencialmente que volvería a muestrear todo su conjunto de datos. Por lo tanto, utiliza todo su conjunto de datos para el entrenamiento y todo su conjunto de datos para la validación. |
| Y eso puede parecer a primera vista una especie de trampa, ciertamente me lo hizo, pero me dijeron que la forma en que esto se logra de manera justa es |
| es por la aplicación de estas tres columnas adicionales, y realmente por este peso de arranque ponderado fraccionalmente. |
| Y, esencialmente, creo que la idea aquí es que si usas un dato en el entrenamiento de tu modelo, entonces lo harías para no usar ese mismo dato tanto en la validación, y así es como evitas esta idea de contar dos veces tus datos. |
| Entonces usamos esta metodología. Ejecutamos esto en nuestros modelos. Aquí puede ver la configuración en JMP y usamos esta plataforma de regresión nuevamente generalizada, que es una herramienta JMP Pro. |
| Y aquí es más o menos lo mismo que explicaba José, pero en lugar de simular para diferentes |
| asignaciones de capacitación y validación, en realidad simulamos esta ponderación parcial. Así que simulamos eso varias veces para generar diferentes modelos y en realidad pasamos por esto 500 veces. |
| Nuevamente, entonces la salida de nuestros datos ahora como, puede ver, con la de José antes, a la derecha aquí hay un histograma de cuántas veces una variable en particular |
| se enumeró en nuestro modelo, y aquí a la izquierda, tiene estas estimaciones de parámetros de varios modelos. |
| De hecho, acabo de dibujar esta línea roja aquí y la he llamado la línea de factor nulo. Entonces, esta variable de factor nulo funciona como una especie de variable falsa. |
| Entonces sabemos que esto es una especie de variable sin sentido porque, si miramos el factor nulo a la izquierda aquí, puede ver que las estimaciones de sus parámetros están bastante distribuidas alrededor de cero, por lo que realmente no se sabe a dónde ir. |
| Y entonces trazamos esta línea y decimos que cualquier ... la primera vez que aparece ese factor nulo, cualquier cosa por debajo que consideremos muy probable que sea un efecto no genuino. |
| Así que esta es una especie de rango de términos no genuinos. Y he resaltado en azul, como estoy seguro que pueden ver, esta interacción X1 X3, que era la que me preocupaba. |
| Y puede ver aquí que ha aparecido menos veces y muchos de los efectos de factor nulo, por lo que esta fue la primera indicación que tuvimos de que esto podría no ser un efecto genuino. |
| Entonces no queríamos detenernos allí. Ejecutamos varias iteraciones de esto con diferentes |
| configuraciones de autovalidación, y acabo de generar tres ejemplos aquí. Pero puede ver, en cada ejemplo, resaltado en azul, esta interacción X1 X 3 fue constantemente más baja que esta línea roja, esta línea de factor nulo. |
| Entonces, basándonos en eso, estábamos bastante seguros de que lo que estábamos viendo probablemente no era un efecto genuino, por lo que pudimos eliminar eso de los modelos que deseábamos. |
| Ahora solo una comparación del tipo de resultados finales de lo que obtuvimos. Así que a la izquierda estaba el modelo inicial que construimos que incluía esta interacción X1 X3. |
| Y luego, a la derecha, este modelo autovalidado donde lo quitamos. |
| Y supongo que lo primero que notamos fue en realidad esta reducción en R cuadrado. Entonces, al principio, parece que probablemente esté explicando menos datos, pero en realidad ahora estamos mucho más seguros de que lo que estamos explicando fue realmente genuino. |
| Y puede ver aquí la diferencia en las condiciones de optimización de minimización que produce. |
| Y esto en realidad tuvo una serie de beneficios para nosotros, de hecho, en términos de procesamiento. Así que recuerde que todas estas son variables de la vida real, tienen cosas reales detrás de ellas. |
| Entonces, esta variable X1, en realidad, es algo muy costoso para nuestros procesos. Así que estábamos muy ... fue bueno ver que podíamos reducir esa variable. |
| Una vez más, también a medida que esta variable X2 disminuye, en realidad también, por razones científicas, es un gran beneficio para nuestro proceso, por lo que también podemos reducir eso, lo que fue beneficioso para nosotros. |
| Y estas son coincidencias fortuitas, supongo, pero lo único que realmente nos complació fue que, en realidad, |
| puede ver la eliminación de esta interacción X1 X3, estábamos viendo que en realidad los perfiles de X1 y X2 eran constantes y eso realmente encajaba con |
| la comprensión científica que esperábamos, por lo que nos alegró mucho observar esto. Y obviamente nos hemos marchado ahora, y hemos probado ambos modelos con experimentos de seguimiento solo para ver cuál estaba funcionando mejor. |
| Y en todas las ocasiones, esto en realidad ... este modelo autovalidado está de acuerdo con las observaciones que hemos visto en nuestros experimentos finales finales. |
| Te lo devolveré ahora, Rebecca. |
| Rebecca Clarke | Solo voy a hacer un breve resumen de lo que estábamos hablando. Por tanto, sabemos que los efectos no verdaderos tienen implicaciones en el mundo real tanto para los plazos de desarrollo como para los costes experimentales del bioprocesamiento. |
| Y aquí analizamos dos métodos de validación para ayudarnos con nuestros bioprocesos, para resaltar los posibles efectos no verdaderos que podemos eliminar de nuestros experimentos de optimización. |
| Entonces, la herramienta de validación de espera que usamos con éxito para eliminar una serie de parámetros de nuestra lista de optimización, y luego también usamos la validación automática durante nuestros experimentos de tipo DOE. |
| Y, y en estos casos, los modelos que se generaron también se confirman posteriormente mediante trabajo experimental. Entonces, en general, estamos muy satisfechos con la forma en que pudimos usar JMP Pro, |
| particularmente, los métodos de validación dentro de nuestros bioprocesos para ayudarnos a ahorrar mucho tiempo y recursos y no enfocarnos en efectos no verdaderos. |
| Y solo para finalizar, nos gustaría agradecer a Robert Anderson y Anna Roper en JMP que nos ayudaron a lo largo de esta presentación, y eso es todo para nosotros, y gracias por escuchar. |
