349236_es-ES

liliconcom

Evite perder tiempo investigando efectos falsos (2021-EU-30MP-771)

Nivel: Intermedio

Jose Goncalves, científico de Upstream, Departamento de I+D de procesos, Oxford Biomedica
Rebecca Clarke, científica sénior de Upstream, Departamento de I+D de procesos, Oxford Biomedica
George Pamenter, científico de I+D de procesos posteriores, Oxford Biomedica
Thomas Chippendale, científico sénior de Upstream, Departamento de I+D de procesos, Oxford Biomedica

En los últimos años, en Oxford Biomedica se ha observado un crecimiento significativo en la generación de datos de bioprocesos de cultivo celular. Este aumento en la recopilación de datos no solo se debe a los estudios intensivos de caracterización y desarrollo de procesos, sino también a la incorporación de sistemas de producción de alto rendimiento. A lo largo de un proceso de cultivo celular, se registran muchos parámetros de proceso en línea y fuera de línea. Sin embargo, debido a la complejidad de los sistemas biológicos, uno de los principales desafíos es la identificación de factores genuinos que pueden influir en el rendimiento del proceso o el rendimiento del producto. La validación de retención se utiliza a menudo para evitar el sobreajuste y prevenir la inclusión de términos no genuinos en un modelo, pero el uso de una sola columna de validación puede no ser eficaz en la predicción del mejor modelo. Esta presentación demostrará cómo el reajuste de modelos utilizando múltiples columnas de validación puede permitir la identificación del modelo más simple y de ocurrencia más frecuente. Se utilizaron datos de 67 ejecuciones de producción de biorreactores que contenían 20 predictores candidatos para el análisis. La función de simulación en JMP® Pro se utilizó para generar aleatoriamente 100 columnas de validación.

Transcripción generada automáticamente...

Vocero	Transcripción
Rebecca Clarke	Bien, hola a todos. Mi nombre es Rebecca y hoy me acompañan José y George. 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.
	Primero, me gustaría presentarnos como empresa y explicar a qué nos dedicamos. Trabajamos para Oxford Biomedica.
	Somos pioneros en el negocio de la terapia genética y celular, y tenemos una posición de liderazgo en la investigación, desarrollo y bioprocesamiento de vectores lentivirales.
	Tenemos más de 20 años de experiencia en este campo. Fuimos la primera empresa en tratar a seres humanos con una terapia basada en un vector lentiviral.
	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 algunas.
	El año pasado, Oxford Biomedia también se unió a la lucha contra el COVID-19 cuando nos unimos al 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 contra el COVID-19.
	Al unirse a este consorcio, Oxford Biomedica permitió la fabricación a mayor escala de la vacuna al permitirle al consorcio acceder a nuestras suites de última generación. A raíz de eso, firmamos un acuerdo de suministro clínico y comercial con AstraZeneca.
	Y, con este acuerdo, acordamos suministrar la vacuna AstraZeneca contra la COVID-19 si resultaba exitosa en los ensayos clínicos. Y, como seguramente todos ustedes saben, la vacuna efectivamente tuvo éxito y Oxford Biologica continúa fabricando la vacuna contra la COVID-19 hasta el día de hoy.
	También me gustaría presentar brevemente los procesos que utilizamos aquí y 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...
	Un ejemplo de tal proceso sería la fermentación de bebidas alcohólicas.
	Durante este proceso, la levadura es el componente vivo y, junto con todos los demás ingredientes necesarios para elaborar cerveza, se introducen 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 recolecta y se purifica mediante filtración y luego nos queda el producto final, que es la cerveza.
	El proceso que utilizamos aquí en Oxford Biomedica es similar a la fermentación. Por lo tanto, el componente vivo de nuestro proceso es
	cultivos celulares, por lo que con los biorreactores ponemos en cultivos celulares y también los otros componentes necesarios para fabricar los factores lentivirales.
	Al final de este proceso de producción, el contenido del biorreactor pasa a un procesamiento posterior, donde el producto se purifica y luego se embotella y se envía para su uso en pacientes.
	Esta diapositiva muestra el ciclo de vida del desarrollo de un fármaco. En la parte inferior izquierda se encuentra la etapa de investigación.
	Entonces es en esta etapa donde identificamos genes o proteínas objetivo que son importantes en los mecanismos de la enfermedad.
	Y también desarrollamos fármacos contra estos objetivos y demostramos 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 se elabora el medicamento y se envasa para su uso en pacientes.
	Nuestro grupo, el grupo de Procesos, Investigación y Desarrollo, se encuentra entre estas dos etapas. Nuestro trabajo consiste en diseñar, optimizar y ampliar el proceso de producción.
	y trasladamos el producto farmacéutico desde el laboratorio de investigación hasta la fabricación. Algunos de los procesos que utilizamos incluyen matraces agitadores a pequeña escala y trabajamos con biorreactores de hasta 50 litros.
	Como podéis imaginar, generamos una gran cantidad de datos durante nuestro trabajo y los biorreactores tienen muchos parámetros de entrada que necesitamos monitorizar y optimizar.
	Con el gran volumen de datos que generamos, resulta bastante difícil discernir en cuáles de los parámetros debemos centrarnos durante nuestra optimización.
	Y debido a la gran cantidad de parámetros con los que tenemos que trabajar, no es comercialmente viable para nosotros optimizar cada uno de ellos individualmente, así que en este punto, recurrimos al modelado estadístico.
	Y utilizamos los modelos para intentar reducir la lista de parámetros potenciales que deberíamos optimizar.
	Y si bien 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.
	Por lo tanto, este ruido aleatorio obviamente se incorpora a nuestros modelos estadísticos y esto puede llevarnos a perder tiempo analizando efectos no genuinos durante nuestros experimentos de optimización.
	Fue con esto en mente que buscamos utilizar JMP Pro, específicamente las funciones de validación,
	lo que esperamos nos ayude a reducir aún más la lista de parámetros que analizaremos, eliminar los efectos no genuinos de los modelos y también
	para evitar que sobreajustemos nuestros modelos también. Ahora le cederé la palabra a José, quien les explicará todo el método de validación de datos.
José Gonçalves	Bien, mi nombre es José y voy a hablar sobre todo el método de optimización, este es un método, esta es una herramienta de modelado que solo está disponible en JMP Pro. Nos interesaba explorar cómo se usa... qué tan útil podría ser en OXB para...
	Vi lo útil que podría ser.
	a OXB para modelar datos de bioprocesos. Como decía Rebecca,
	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 lo que queremos maximizar y modelar, así que esta es realmente nuestra variable de respuesta.
	Y los biorreactores requieren muchas entradas de control y producen una gran cantidad de datos durante un proceso de producción, por lo que es necesario contar con una herramienta que ayude a determinar qué entradas y salidas merecen ser investigadas.
	Sería de gran valor para nosotros, ya que nos permitiría ahorrar tiempo, liberar recursos y abordar de forma más específica las investigaciones de los procesos.
	Entonces, antes de comenzar a construir modelos, tuvimos que recopilar la mayor cantidad de datos posible de lotes históricos.
	Por lo tanto, 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 en nuestros títulos de vectores. Aquí, en el lado izquierdo, puede ver que
	Recopilamos los datos de 20 variables, 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 un proceso bastante dinámico, no podemos esperar el grado de colinealidad entre los predictores.
	En resumen, tenemos un conjunto de datos que contiene 20 variables o 20 predictores candidatos para nuestro modelo, y hemos recopilado los datos de 67 lotes históricos.
	Entonces, como esto era parte de la prueba de JMP Pro, pensamos que sería una buena idea comenzar usando JMP estándar para construir el modelo y luego usarlo como comparación con otro modelo construido usando el método de formulación de retención.
	Aquí, para construir el modelo sin el método de validación, utilizamos 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 ingresaran en el modelo. Y aquí, en la personalidad, elegimos hacer una progresión escalonada. Entonces, aquí en el lado derecho,
	Tenemos el panel de control de regresión paso a paso y usamos la regla de detención como nuestro umbral de valor P, por lo que los parámetros restantes los dejamos por defecto.
	Y luego, después de ejecutar la regresión paso a paso, este fue el modelo final que se generó.
	Aquí, pueden ver que tenemos ocho términos en el modelo y siete de ellos son realmente significativos. Me gustaría llamar su atención sobre estos tres primeros factores aquí, porque son altamente significativos en nuestro modelo y serán...
	Muy importante en un par de diapositivas cuando voy a mostrar
	los resultados...los resultados
	Cuando abordamos el uso del método de validación de retención, el modelo antiguo aquí es significativo y puede explicar aproximadamente el 44% de la variación en nuestro conjunto de datos.
	Y así fue nuestro enfoque inicial.
	Estábamos contentos con este primer modelo que se generó, pero estábamos más interesados ​​en saber más sobre los métodos de validación.
	Porque investigar todos estos predictores requeriría una cantidad considerable de tiempo y recursos de laboratorio, ese fue el enfoque que adoptamos a continuación.
	A continuación se presenta una descripción general de cómo funciona este método de validación de retención.
	Básicamente, tenemos nuestro conjunto de datos y este se dividirá aleatoriamente en dos grupos. Así que, 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 exclusivamente para construir 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 cuadrado del conjunto de validación, que es su máximo, aquí en la parte inferior,
	Podemos ver que esta es una captura de pantalla de la plataforma de regresión por pasos, que es esencialmente la misma que usamos antes, pero había una regla de detención que muestra que esto es así.
	El R cuadrado de validación máximo en lugar de nuestro umbral de valor p. Y 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 puedes ver, el conjunto de entrenamiento, a medida que comenzamos a ingresar términos en el modelo,
	porque 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 al modelo.
	A medida que comenzamos a agregar esos términos, el R cuadrado aumenta bastante rápido, hasta que tenemos cinco términos en el modelo y luego no hay mucho aumento en la mejora del R cuadrado.
	Cuando empezamos... cuando seguimos añadiendo más y más términos. Y 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. Y lo que sucede es esencialmente lo mismo cuando comenzamos a agregar términos al modelo.
	El R al cuadrado aumenta bastante rápido, hasta que alcanzamos el R al cuadrado máximo y luego de ese punto, a medida que seguimos agregando más y más términos, el R al cuadrado disminuye.
	Y entonces, esto es exactamente lo que hace este conjunto de validación, es decir, lo que queremos usar para detener el proceso de construcción del modelo en esta etapa, de modo que podamos incluir todos estos términos aquí que explican la mayor parte de la variación en nuestro conjunto de datos y evitar...
	la inclusión de todos estos términos en el modelo podría crear un sobreajuste del modelo o podría no ser genuino en absoluto.
	Entonces, después de ejecutar la regresión por pasos, este fue el modelo final que se generó y, como puede ver, tuvimos una reducción de ocho o siete términos significativos a solo tres. Y, como recordará, estos términos aquí eran altamente significativos cuando no usábamos el
	el método de validación de retención y por eso aquí no parecen ser significativos en absoluto.
	Y en realidad este modelo sólo es capaz de explicar alrededor del 4% de la variación en nuestro conjunto de datos.
	Y entonces, esto fue bastante... pensamos que esto era una disminución bastante dramática en la cantidad de términos en el modelo y comenzamos a pensar, bueno, 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 grandes 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 esta
	Plataforma de regresión generalizada, podemos utilizar esta función de simulación. Y lo que esto hace básicamente es volver a ejecutar el modelo una y otra vez, tantas veces como queramos.
	Y luego usarlo para cada modelo que se genera, utiliza un conjunto de validación diferente. Así que este fue el enfoque que tomamos a continuación.
	Y porque
	No pudimos enumerar todos los modelos que generamos. Básicamente, solo intentamos generar 100 modelos o hicimos 100 simulaciones de modelos. Por eso no pudimos enumerarlos todos aquí.
	Y la forma en que queríamos resumir los resultados es... tratamos de contar el número de veces que un factor particular fue seleccionado para ser incluido en el modelo después de esas 100 simulaciones.
	Y esto es exactamente lo que muestra este gráfico. A la derecha... en el lado izquierdo.
	Solo tenemos... estas son solo las estimaciones de los parámetros. Esto es bueno solo para observar la dispersión de los datos. Y aquí,
	Como pueden ver, tenemos X13, X8 y son estos términos de interacción los que realmente eran significativos cuando no usábamos este método. Y aquí, si tomamos como ejemplo X13, solo se detectó 46 veces.
	para ser incluido en el modelo o el 46% del tiempo para incluir en el modelo, y por lo tanto, que es un número bastante bajo, como esperábamos ya que
	Estos factores aquí eran muy significativos cuando no usábamos este método.
	La conclusión a la que llegamos al utilizar el método de validación de reserva es que es definitivamente una buena herramienta para los científicos y especialmente cuando construimos modelos y
	Tenemos estas variables que resultan significativas y que no encajan del todo en nuestra comprensión científica. Por lo tanto, otra conclusión a la que llegamos es que
	El objetivo específico de este estudio es que podamos asumir con seguridad que los atributos del proceso que estudiamos no afectan significativamente los títulos de nuestros vectores. Ahora le cederé la palabra a George, que hablará sobre la autovalidación.
George Pamenter	Hola a todos, me llamo George. Trabajo en el grupo de purificación de Oxford Biomedica. Voy a hablar un poco sobre esta autovalidación.
	El método que nos presentaron desde JMP y su uso específico en el diseño de experimentos, como la 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 comenzar, un poco de información general sobre la purificación de un vector viral para aquellos que no lo saben.
	Así que, esencialmente, recibimos este material de cultivo celular de los biorreactores.
	Y ese material es un material bastante crudo, por lo que incluye nuestro interés terapéutico, que son vectores muy virales, que también incluyen miles de otras especies, especies contaminantes.
	Y pueden ser cualquier cosa, desde proteínas no deseadas hasta ADN bacteriano o, a veces, incluso virus ineficaces.
	Y por lo 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, que implican cromatografía o tratamientos enzimáticos y una serie de factores diferentes que afectan su rendimiento. Por eso necesitamos una forma de seleccionar de manera eficiente las mejores condiciones para alcanzar la mejor pureza.
	Y la forma en que lo hacemos muchas veces es mediante el uso del diseño de experimentos, un diseño de experimentos que es común a lo largo de la línea de tiempo del desarrollo de bioprocesos.
	Los utilizamos esencialmente para seleccionar, optimizar y caracterizar completamente nuestros bioprocesos.
	Básicamente, a medida que avanzamos en el cronograma de desarrollo de medicamentos, a medida que nos acercamos a la fabricación comercial, el tamaño de nuestros experimentos aumenta.
	De hecho, la cantidad de experimentos que podemos hacer disminuye y se nos hace cada vez más difícil cambiar las cosas a medida que nos acercamos a un producto comercial.
	Por eso, debemos poder tomar decisiones inteligentes desde el principio del proceso de desarrollo y la forma de hacerlo es...
	Desarrollar modelos eficaces. Si contamos con un modelo eficaz desde el principio, nos dará la seguridad de que hemos elegido las mejores condiciones a medida que avanzamos en nuestra escala de procedimientos.
	Ahora voy a detallar cómo hemos utilizado esta tecnología de validación automática en un ejemplo específico. Realizamos el diseño de superficie de respuesta de los experimentos.
	en un paso de purificación del vector viral y nuevamente no podemos compartir los datos reales con ustedes, pero tuvimos que normalizarlos aquí.
	Entonces, este era un espacio de diseño de tres factores 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.
	Así que el objetivo de esto realmente era optimizar estos modelos para el menor nivel de impurezas posible.
	Y así es como lo vimos 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 por pasos y también la regresión Lasso, que era una característica de JMP Pro.
	Y, en realidad, al principio estábamos bastante satisfechos con lo que estábamos viendo, así que explicamos muchos de los datos.
	Parecía que lo estábamos explicando bastante bien y empezamos a ver las variables que esperábamos que aparecieran.
	Pero había una variable que nos hacía estar menos seguros y era esta interacción X1 X3, que puedes ver que he resaltado aquí.
	Si diriges tu atención a la parte superior derecha de la pantalla, puedes ver que este perfil X1 cambia completamente dependiendo de
	el valor de X3, entonces, en valores bajos de X3, tenemos este tipo de efecto nulo para ser honesto, y luego, con valores altos de X3, tenemos este tipo de correlación positiva.
	Y eso realmente nos confundió mucho y fue un poco preocupante porque en realidad esta interacción X1 X3 realmente no encajaba con lo que entenderíamos científicamente.
	Eso nos dejó un poco confundidos y también nos preguntamos si nuestros modelos realmente explicaban adecuadamente los datos que habíamos visto.
	También tuvo implicaciones significativas en el mundo real para el desarrollo de procesos en el sentido de que esta variable X3 era realmente conocida.
	cambiar bastante. Entonces, la analogía que usaría aquí sería que si estuviéramos desarrollando una dosificación de dos medicamentos, X1 y X2,
	Y descubrimos que, en realidad, la dosis depende de la edad del paciente, digamos X3, eso es algo que realmente hay que investigar y caracterizar. Por lo tanto, explorar esta interacción habría requerido costos de experimentación adicionales significativos y también tiempo.
	Queríamos aplicar una metodología de validación al respecto, por lo que consultamos a nuestros colegas de JMP,
	Y básicamente nos dijeron que, lamentablemente, no era realmente posible utilizar esta validación de reserva en el diseño de la estructura de datos del experimento.
	Y la razón de esto es que, si puedes imaginarlo, asigné el 70% de un conjunto de validación, ese tipo de conjuntos de entrenamiento a mis datos aquí en el espacio de diseño,
	En realidad, estamos construyendo el modelo, pero en realidad nos falta una parte del espacio de diseño. Por lo tanto, no es realmente aplicable utilizar esta validación de retención en los conjuntos de datos del DOE.
	Así que nuestros colegas de JMP vinieron a nosotros con esta autovalidación.
	Y la forma en que me lo explicaron fue básicamente que tendría que volver a muestrear todo el conjunto de datos, es decir, utilizar todo el conjunto de datos para el entrenamiento y todo el conjunto de datos para la validación.
	Y eso podría parecer a primera vista como una especie de trampa, ciertamente a mí me pareció, pero me han dicho que la forma en que esto se logra de manera justa es...
	es mediante la aplicación de estas tres columnas adicionales, y realmente mediante este peso bootstrap ponderado fraccionalmente reducido.
	Y, esencialmente, creo que la idea aquí es que si usas un dato en el entrenamiento de tu modelo, luego lo ponderarás para no usar ese mismo dato tanto en la validación, y así es como evitas esta idea de contar dos veces tus datos.
	Usamos esta metodología y la ejecutamos en nuestros modelos. Aquí puedes ver la configuración en JMP y usamos nuevamente esta plataforma de regresión generalizada, que es una herramienta de JMP Pro.
	Y aquí es prácticamente lo mismo que lo que explicaba José, pero en lugar de simular para diferentes
	En las tareas de entrenamiento y validación, simulamos esta ponderación parcial. Lo simulamos varias veces para generar diferentes modelos y lo hicimos 500 veces.
	Nuevamente, el resultado de nuestros datos ahora, como puede ver, con los de José antes, a la derecha aquí hay un histograma de cuántas veces una variable en particular
	se incluyó en nuestro modelo y, aquí a la izquierda, tienes estas estimaciones de parámetros de varios modelos.
	De hecho, acabo de dibujar esta línea roja aquí y la llamé línea de factor nulo. Por lo tanto, 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 observamos el factor nulo aquí a la izquierda, podemos ver que sus estimaciones de parámetros están bastante ampliamente distribuidas alrededor de cero, por lo que realmente no 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 de eso consideraríamos muy probablemente un efecto no genuino.
	Este es un tipo de rango de términos no genuinos. Y he resaltado en azul, como seguramente pueden ver, esta interacción X1 X3, que era la que nos preocupaba.
	Y aquí se puede ver que ha aparecido menos veces y muchos de los efectos del factor son nulos, por lo que este fue el primer indicio que tuvimos de que esto podría no ser un efecto genuino.
	Así que no queríamos detenernos allí. Realizamos varias iteraciones de esto con diferentes
	Configuraciones de validación automática. Acabo de generar tres ejemplos aquí. Pero, como pueden ver, en cada ejemplo, resaltado en azul, esta interacción X1 X 3 siempre estaba por debajo de esta línea roja, esta línea de factor nulo.
	Entonces, en base a eso, estábamos bastante seguros de que lo que estábamos viendo probablemente no era un efecto genuino y pudimos eliminarlo de los modelos que deseábamos.
	Ahora, una comparación de los resultados finales que obtuvimos. A la izquierda, se encuentra el modelo inicial que construimos, que incluía esta interacción X1 X3.
	Y luego, a la derecha, este modelo autovalidado donde lo eliminamos.
	Supongo que lo primero que notamos fue esta reducción en R cuadrado. Al principio parece que probablemente estás explicando menos datos, pero ahora estamos mucho más seguros de que lo que estamos explicando es realmente genuino.
	Y puedes ver aquí la diferencia en las condiciones de optimización de minimización que genera.
	Y esto nos ha aportado muchos beneficios en términos de procesamiento. Recuerden que todas estas son variables de la vida real, que tienen cosas reales detrás.
	De hecho, esta variable X1 es muy costosa para nuestros procesos. Por eso, nos pareció muy bueno ver que podíamos reducir esa variable.
	Nuevamente, a medida que esta variable X2 disminuye, eso también es, por razones científicas, un gran beneficio para nuestro proceso, por lo que también podemos reducirla, lo que fue beneficioso para nosotros.
	Y supongo que son una suerte de coincidencias felices, pero lo que realmente nos agradó fue que, en realidad,
	Puedes 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, así que nos alegró mucho observar esto. Y, obviamente, ahora nos hemos ido y hemos probado ambos modelos con experimentos de seguimiento solo para ver cuál funcionaba mejor.
	Y en todas las ocasiones, este modelo autovalidado realmente ha coincidido con las observaciones que hemos visto en nuestros experimentos finales.
	Te lo devolveré ahora, Rebecca.
Rebecca Clarke	Voy a hacer un breve resumen de lo que estábamos hablando. Así que sabemos que los efectos no reales tienen implicaciones en el mundo real, tanto para los plazos de desarrollo como para los costos experimentales del bioprocesamiento.
	Y aquí analizamos dos métodos de validación para ayudarnos con nuestros bioprocesos, para resaltar posibles efectos no verdaderos que podemos eliminar de nuestros experimentos de optimización.
	Entonces, utilizamos con éxito la herramienta de validación de retención 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, en estos casos, los modelos generados también se confirman posteriormente mediante trabajo experimental. En general, estamos muy satisfechos con la forma en que pudimos utilizar JMP Pro.
	En particular, los métodos de validación dentro de nuestros bioprocesos para ayudarnos a ahorrar mucho tiempo y recursos y no centrarnos en efectos no reales.
	Y para finalizar, nos gustaría agradecer a Robert Anderson y Anna Roper de JMP, quienes nos ayudaron a lo largo de esta presentación, y eso es todo por nuestra parte, y gracias por escuchar.

FugarseGAMAModelado predictivo