扬声器 | 成绩单 |
| 安妮·凯瑟琳·波特曼 | 您好，今天我将向您介绍数据背后的力量。 本演示文稿基于以下思想：本演示文稿将使我们能够有效地研究80多个生产批次的数据。 |
| 基于过程知识和统计分析，我们能够将产品产量提高26％以上。 统计分析还可以确定对产品产量有影响的关键工艺步骤。 |
| 所以我会 |
| 首先介绍Lonza Pharma Biotech，然后我们将进行历史数据分析。 |
| Lonza Pharma Biotech最早成立于1897年，其后不久进行了改造 |
| 给化学品制造商。 |
| 今天，我们已成为世界领先的供应商之一 |
| 制药，保健和生命科学行业。 |
| 在Visp，我们是Lonza最大的网站之一 |
| 对于研发，开发和制造，我们最重要。 |
| 我们是公司的新成员，即Ibex解决方案，在这里我们能够在一个地点完成从临床前到商业阶段，从原料药到药品的生物制药周期。 |
| 您可能最近在针对COVID-19的Moderna疫苗中听说过这一点， |
| 但这不是我们在此生产的唯一产品。 我们还生产小分子，哺乳动物和微生物生物制药，高效API，肽和生物结合物，包括抗体-药物结合物。 |
| 现在，您对Lonza有了更多了解，我将进行历史数据分析。 |
| 因此，首先，我将向您介绍运行80个批次的过程。 |
| 因此，首先是上游部分。 因此，上游部分首先具有发酵部分，其中微生物产生产物。 |
| 因此，产品会产生微生物。 |
| 这... |
| 生产的产品...产品，微生物 |
| 由DNA产生（???） |
| 在发酵过程中。 然后我们进行细胞裂解，破坏细胞膜并释放产物和细胞中的所有物质。 |
| 并有权使用该产品。 然后成为分离。 在分离部分，我们去除细胞碎片，例如细胞膜或DNA。 |
| 然后我们来到下游部分，该部分基于三种不同的色谱法，可以纯化产物。 所以产品在这里是黄色的 |
| 在幻灯片的下面。 我们可以看到，在色谱的每个部分中，我们都可以分析出更多的产物。 最后，我们对产品进行无菌过滤。 |
| 因此，目标是提高整体项目收益，为此，我们首先收集80个批次的数据，并以可以分析它们的方式订购它们。 |
| 然后我们进行收益分析。 |
| 然后，我们与过程分析讨论结果。 |
| 随着中小企业的发展，因此成为主题专家。 |
| 然后，我们看到并...去了上游部分的数据分析，并在幻灯片左侧进行了分析。 |
| 然后我们继续进行下游部分，并专注于色谱法1。 最后，我们从分析中看到的所有内容以及主题专家命令的内容中得出结论。 最后，我们重新计算收益。 |
| 让我们看看...如何组织数据。 因此，我们基于整洁的数据原理构建数据。 |
| 这是分析之前的重要部分，需要花费时间，但是拥有干净的数据并随后进行有效的分析非常重要。 因此，首先我们要了解的就是观察单元，例如，我们可以说发酵。 |
| 然后，在文件...的每一行中，每次都包含一批。 |
| 对于每一列，我们采用一个参数。 例如，对于发酵而言，pH，温度，所有 |
| 效价（这意味着 |
| 最后的产品数量）。 |
| 然后，对于每个值， |
| 这里对应于列和批次中的正确值。 |
| 有了这个，我们可以转到JMP进行分析。 |
| 因此，让我们看看如何计算收益。 |
| 因此，首先我们计算每个步骤的产量，从100％开始发酵 |
| 并观察其在整个过程中如何减少。 |
| 因此，我们观察到的是，我们在发酵步骤中的变化很大。 |
| 然后我们的产品数量减少了 |
| 在分离步骤以及色谱1步骤 |
| 因此，我们将这些数据提供给主题专家 |
| 他们告诉我们，复杂培养基的可变性会影响发酵的最终效价，因此我们必须探索这一点。 |
| 然后，对于分离，选择的策略可能会对质量比产生不同的影响。 |
| 对于色谱1，合并策略很可能会产生影响。 |
| 这样，我们将看到数据说明了什么。 因此，我们在上游部分进行了不同的分析。 因此，第一个分析是每个USP工艺阶段的多元分析。 |
| 因此，我们专注于发酵，细胞裂解和分离。 并查看所有参数，最后如何将它们与产品关联起来。 |
| 因此，在这里，我们看到的是发酵，反应器1中的添加量具有中等相关性，并且具有很高的显着概率。 对于分离，最终质量比。 |
| 中间分离时的质量比对显着概率都有重大影响。 |
| 您会看到其他参数，例如反应器2的初始pH值非常接近中等相关阈值 |
| 并有很大的可能性。 我们将在下一个分析中查看该参数。 |
| 我们在这里还只选择了具有科学意义的参数 |
| 进行其他分析。 |
| 然后我们去了偏最小二乘。 对于偏最小二乘，我们看到对于所有这些参数，发酵具有正相关。 因此，我们再次看到反应器2的数量，反应器2的初始pH和反应器2的初始数量。 |
| 以及新参数，即保持时间。 |
| 我们看到 |
| 反应器2的量与此分析呈正相关，而MVA则呈负相关。 |
| 之所以可以这样解释，是因为有80批产品正在生产，但它们的设计目的并不是为了回答最终产品上产品正负相关的问题。 所以 |
| 将来可以通过设计合理的另一种分析来完成。 |
| 和 ？？？还要说我们对最终产品有影响。 |
| 对于其他参数，在上游部分的其他步骤，我们还看到预测与多元结果匹配。 |
| 我们也有可能提高滴度。 在这里，我们看到了预测分析器，我们也可以对其进行优化 |
| 未来和项目收益。 |
| 然后我们测试产品...预测变量筛选。 在这里，我们进行了10次预测变量筛选，并选择了始终排在前10名中的五个参数。 这就是我们所看到的。 这是反应器2的初始pH |
| 分离结束时的质量比，中间分离时的质量比 |
| 反应器2的初始量 |
| 反应器2的量和反应器1的量。 同样，我们拥有似乎会产生影响的相同参数。 |
| 因此，我们开始进行机器学习。 |
| 这种机器学习分析XGBoost是一种决策树机器学习算法。 并避免在此结果参数中包含不 |
| 的... |
| 在参数顶部，我们包含一个伪造的参数，这给了我们一种参数重要性的阈值。 |
| 并且所有出现在该阈值之上的参数都被认为会产生影响。 另一个被认为是随机的，并且低于该随机参数，并且对最终产品没有影响或影响不大。 |
| 在这里我们可以看到Reactor 1出现负相关。 反应器2的pH值和反应器2的初始量之间存在正相关。 |
| 对于质量比，我们有一个负相关。 再次，正如我之前所解释的，负相关和正相关之间的差异不是目标，也不是针对该实验而设计的，因此我们知道这是一种影响，但我们尚不知道它是正还是负。 |
| 然后我们去下游部分， |
| 特别是色谱1。 |
| 在这里，我们使用神经预测模型。 |
| 因此，在正常的预测建模中，我们使用 |
| 色谱的另一部分。 因此，在右图上，我们看到馏分8具有...是主要馏分，因此在大多数产品中发现最高纯度。 然后从分数7-1减小，我们得到的是产物，但还有更多的杂质。 |
| 和 |
| 到目前为止，我们在分析中考虑了分数4，我们想看看是否可以同时包含分数3、2和1。 |
| 我们看到的是，通过增加馏分的数量，我们可以提高收率，但很少降低纯度。 |
| 因此，从左图可以看到，如果转到馏分2，则纯度降低到1％以下，但产率增加到5％。 然后，当我们包含馏分1时，纯度下降幅度更大，但略低于1％。 |
| 超过百分之一的纯度下降，而另一方面收率增加约10％。 |
| 因此，根据这个结果，我们尝试将所有内容汇总在一起。 |
| 到目前为止，发酵已经有了罐和反应器的最终体积，可以通过大多数方法进行确定。 |
| 发酵罐的初始pH也通过不同的分析方法和工艺专家对复杂化合物的可变性进行了鉴定。 为了能够看到复杂化合物变异性的影响，我们需要在实验室中进行进一步研究。 |
| 然后进行分离，得到质量比，这是通过某些方法确定的， |
| 数据分析以及过程分析...由过程专家进行。 |
| 该策略非常有趣。 |
| 工艺专家决定对其进行研究，并尝试进行一些测试，以提高产量。 |
| 对于色谱1，过程专家在神经网络分析中确定了合并策略。 和这里 |
| 该方法可以在实验室和生产中轻松实施。 使用这种方法，收率确实提高了很多。 |
| 所以，然后，我们用预测重新计算... |
| 预测探查器如何提高不同步骤的收益。 对于发酵，我们能够将产量提高多达16％。 |
| 对于分离，我们可以将其提高到5％，对于色谱1，我们提高了 |
| 高达5％。 在另一张幻灯片中，我们最多写了10％，因此我们尝试在最坏的情况下最多写5％。 最后，我们将在 |
| 26％，因此这是改善我们的流程并完全专注于我们可以产生重大影响的部分的好方法。 只是根据数据而无需在实验室中进行大量实验， |
| 与在实验室中进行大量实验相比，使用JMP进行这些分析也更便宜。 因此，最后我们会收获很多。 |
| 因此，非常感谢你们所有人今天听我的话，也非常感谢我的同事， |
| Ludovic，Helge，Lea，Nichola和Sven与???此演示文稿。 |
