揚聲器 | 成績單 |
| 安妮·凱瑟琳·波特曼 | 您好，今天我將向您介紹數據背後的力量。 本演示文稿基於以下思想：本演示文稿將使我們能夠有效地研究80多個生產批次的數據。 |
| 基於過程知識和統計分析，我們能夠將產品產量提高26％以上。 統計分析還可以確定對產品產量有影響的關鍵工藝步驟。 |
| 所以我會 |
| 首先介紹Lonza Pharma Biotech，然後我們將進行歷史數據分析。 |
| Lonza Pharma Biotech最早成立於1897年，其後不久進行了改造 |
| 給化學品製造商。 |
| 今天，我們已成為世界領先的供應商之一 |
| 製藥，保健和生命科學行業。 |
| 在Visp，我們是Lonza最大的網站之一 |
| 對於研發，開發和製造，我們最重要。 |
| 我們是公司的新成員，即Ibex解決方案，在這裡我們能夠在一個地點完成從臨床前到商業階段，從原料藥到藥品的生物製藥週期。 |
| 您可能最近在針對COVID-19的Moderna疫苗中聽說過這一點， |
| 但這不是我們在此生產的唯一產品。 我們還生產小分子，哺乳動物和微生物生物製藥，高效API，肽和生物結合物，包括抗體-藥物結合物。 |
| 現在，您對Lonza有了更多了解，我將進行歷史數據分析。 |
| 因此，首先，我將向您介紹運行80個批次的過程。 |
| 因此，首先是上游部分。 因此，上游部分首先具有發酵部分，其中微生物產生產物。 |
| 因此，產品會產生微生物。 |
| 這... |
| 生產的產品...產品，微生物 |
| 由DNA產生（???） |
| 在發酵過程中。 然後我們進行細胞裂解，破壞細胞膜並釋放產物和細胞中的所有物質。 |
| 並有權使用該產品。 然後成為分離。 在分離部分，我們去除細胞碎片，例如細胞膜或DNA。 |
| 然後我們來到下游部分，該部分基於三種不同的色譜法，可以純化產物。 所以產品在這裡是黃色的 |
| 在幻燈片的下面。 我們可以看到，在色譜的每個部分中，我們都可以分析出更多的產物。 最後，我們對產品進行無菌過濾。 |
| 因此，目標是提高整體項目收益，為此，我們首先收集80個批次的數據，並以可以分析它們的方式訂購它們。 |
| 然後我們進行收益分析。 |
| 然後，我們與過程分析討論結果。 |
| 隨著中小企業的發展，因此成為主題專家。 |
| 然後，我們看到並...去了上游部分的數據分析，並在幻燈片左側進行了分析。 |
| 然後我們繼續進行下游部分，並專注於色譜法1。 最後，我們從分析中看到的所有內容以及主題專家命令的內容中得出結論。 最後，我們重新計算收益。 |
| 讓我們看看...如何組織數據。 因此，我們基於整潔的數據原理構建數據。 |
| 這是分析之前的重要部分，需要花費時間，但是擁有乾淨的數據並隨後進行有效的分析非常重要。 因此，首先我們要了解的就是觀察單元，例如，我們可以說發酵。 |
| 然後，在文件...的每一行中，每次都包含一批。 |
| 對於每一列，我們採用一個參數。 例如，對於發酵而言，pH，溫度，所有 |
| 效價（這意味著 |
| 最後的產品數量）。 |
| 然後，對於每個值， |
| 這裡對應於列和批次中的正確值。 |
| 有了這個，我們可以轉到JMP進行分析。 |
| 因此，讓我們看看如何計算收益。 |
| 因此，首先我們計算每個步驟的產量，從100％開始發酵 |
| 並觀察其在整個過程中如何減少。 |
| 因此，我們觀察到的是，我們在發酵步驟中的變化很大。 |
| 然後我們的產品數量減少了 |
| 在分離步驟以及色譜1步驟 |
| 因此，我們將這些數據提供給主題專家 |
| 他們告訴我們，複雜培養基的可變性會影響發酵的最終效價，因此我們必須探索這一點。 |
| 然後，對於分離，選擇的策略可能會對質量比產生不同的影響。 |
| 對於色譜1，合併策略很可能會產生影響。 |
| 這樣，我們將看到數據說明了什麼。 因此，我們在上游部分進行了不同的分析。 因此，第一個分析是每個USP工藝階段的多元分析。 |
| 因此，我們專注於發酵，細胞裂解和分離。 並查看所有參數，最後如何將它們與產品關聯起來。 |
| 因此，在這裡，我們看到的是發酵，反應器1中的添加量具有中等相關性，並且具有很高的顯著概率。 對於分離，最終質量比。 |
| 中間分離時的質量比對顯著概率都有重大影響。 |
| 您會看到其他參數，例如反應器2的初始pH值非常接近中等相關閾值 |
| 並有很大的可能性。 我們將在下一個分析中查看該參數。 |
| 我們在這裡還只選擇了具有科學意義的參數 |
| 進行其他分析。 |
| 然後我們去了偏最小二乘。 對於偏最小二乘，我們看到對於所有這些參數，發酵具有正相關。 因此，我們再次看到反應器2的數量，反應器2的初始pH和反應器2的初始數量。 |
| 以及新參數，即保持時間。 |
| 我們看到 |
| 反應器2的量與此分析呈正相關，而MVA則呈負相關。 |
| 之所以可以這樣解釋，是因為有80批產品正在生產，但它們的設計目的並不是要回答最終產品上產品正相關或負相關的問題。 所以 |
| 將來可以通過設計合理的另一種分析來完成。 |
| 和 ？？？還要說我們對最終產品有影響。 |
| 對於其他參數，在上游部分的其他步驟，我們還看到預測與多元結果匹配。 |
| 我們也有可能提高滴度。 在這裡，我們看到了預測分析器，我們也可以對其進行優化 |
| 未來和項目收益。 |
| 然後我們測試產品...預測變量篩選。 在這裡，我們進行了10次預測變量篩選，並選擇了始終排在前10名中的五個參數。 這就是我們所看到的。 這是反應器2的初始pH |
| 分離結束時的質量比，中間分離時的質量比 |
| 反應器2的初始量 |
| 反應器2的量和反應器1的量。 同樣，我們擁有似乎會產生影響的相同參數。 |
| 因此，我們開始進行機器學習。 |
| 這種機器學習分析XGBoost是一種決策樹機器學習算法。 並避免在此結果參數中包含不 |
| 的... |
| 在參數頂部，我們包含一個偽造的參數，這給了我們一種參數重要性的閾值。 |
| 並且所有出現在該閾值之上的參數都被認為會產生影響。 另一個被認為是隨機的，並且低於該隨機參數，並且對最終產品沒有影響或影響不大。 |
| 在這裡我們可以看到Reactor 1出現負相關。 反應器2的pH值和反應器2的初始量之間存在正相關。 |
| 對於質量比，我們有一個負相關。 再次，正如我之前所解釋的，負相關和正相關之間的差異不是目標，也不是針對該實驗而設計的，因此我們知道這是一種影響，但我們尚不知道它是正還是負。 |
| 然後我們去下游部分， |
| 特別是色譜1。 |
| 在這裡，我們使用神經預測模型。 |
| 因此，在正常的預測建模中，我們使用 |
| 色譜的另一部分。 因此，在右圖上，我們看到餾分8具有...是主要餾分，因此在大多數產品中發現最高純度。 然後從分數7-1減小，我們得到的是產物，但還有更多的雜質。 |
| 和 |
| 到目前為止，我們在分析中考慮了分數4，我們想看看是否可以同時包含分數3、2和1。 |
| 我們看到的是，通過增加餾分的數量，我們可以提高收率，但很少降低純度。 |
| 因此，從左圖可以看到，如果轉到餾分2，則純度降低到1％以下，但產率增加到5％。 然後，當我們包含餾分1時，純度下降幅度更大，但略低於1％。 |
| 超過百分之一的純度下降，而另一方面收率增加約10％。 |
| 因此，根據這個結果，我們嘗試將所有內容匯總在一起。 |
| 到目前為止，發酵已經有了罐和反應器的最終體積，可以通過大多數方法進行確定。 |
| 發酵罐的初始pH也通過不同的分析方法和工藝專家對複雜化合物的可變性進行了鑑定。 為了能夠看到復雜化合物變異性的影響，我們需要在實驗室中進行進一步研究。 |
| 然後進行分離，得到質量比，這是通過某些方法確定的， |
| 數據分析以及過程分析...由過程專家進行。 |
| 該策略非常有趣。 |
| 工藝專家決定對其進行研究，並嘗試進行一些測試，以提高產量。 |
| 對於色譜1，過程專家在神經網絡分析中確定了合併策略。 和這裡 |
| 該方法可以在實驗室和生產中輕鬆實施。 使用這種方法，收率確實提高了很多。 |
| 所以，然後，我們用預測重新計算... |
| 預測探查器如何提高不同步驟的收益。 對於發酵，我們能夠將產量提高多達16％。 |
| 對於分離，我們可以將其提高到5％，對於色譜1，我們提高了 |
| 高達5％。 在另一張幻燈片中，我們最多寫了10％，因此我們嘗試在最壞的情況下最多寫5％。 最後，我們將在 |
| 26％，因此這是改善我們的流程並完全專注於我們可以產生重大影響的部分的好方法。 只是根據數據而無需在實驗室中進行大量實驗， |
| 與在實驗室中進行大量實驗相比，使用JMP進行這些分析也更便宜。 因此，最後我們會收穫很多。 |
| 因此，非常感謝你們所有人今天聽我的話，也非常感謝我的同事， |
| Ludovic，Helge，Lea，Nichola和Sven與???此演示文稿。 |
