Vocero | Transcripción |
| Anne-Catherine Portmann | Hola, hoy les presentaré el poder detrás de los datos. Esta presentación se basa en la idea de que un principio de esta presentación nos permitirá estudiar de manera eficiente los datos de más de 80 lotes de producción. |
| Pudimos mejorar el rendimiento del producto en más del 26% en base al conocimiento del proceso y al análisis estadístico. El análisis estadístico permite también identificar el paso clave del proceso que tiene un impacto en el rendimiento del producto. |
| Así lo haré |
| Primero introduzca Lonza Pharma Biotech y luego pasaremos al análisis de datos históricos. |
| Lonza Pharma Biotech se fundó por primera vez en 1897 y poco después se transformó |
| al fabricante de productos químicos. |
| Hoy somos uno de los principales proveedores del mundo. |
| a la industria farmacéutica, sanitaria y de las ciencias de la vida. |
| Aquí en Visp, somos uno de los sitios más grandes de Lonza. |
| y somos más importantes en I + D, desarrollo y fabricación. |
| Somos, tenemos una nueva parte de la empresa, las soluciones Ibex, donde podemos completar los ciclos biofarmacéuticos desde la etapa preclínica hasta la comercial, desde las sustancias farmacéuticas hasta el producto farmacéutico, todo esto en un solo lugar. |
| Probablemente hayas oído hablar de esto últimamente en la vacuna Moderna contra el COVID-19, |
| pero no es el único producto que estamos produciendo aquí en esto. También producimos moléculas pequeñas, biofármacos para mamíferos y microbios, API de alta potencia, péptidos y bioconjugados, incluidos conjugados de anticuerpo y fármaco. |
| Ahora que conoces un poco más de Lonza, pasaré al análisis de datos históricos. |
| Entonces, en primer lugar, les presentaré este proceso en el que se ejecutan los 80 lotes. |
| Entonces, primero la parte aguas arriba. Entonces, la parte aguas arriba tiene primero la parte de fermentación, donde el producto es generado por el microorganismo. |
| Entonces el producto hace un microorganismo. |
| Los... |
| producto a producir ... el producto, los microorganismos |
| se produce (???) a partir del ADN |
| durante la fermentación. Luego tenemos la lisis celular donde perturbamos la membrana celular y permitimos que libere el producto y todo lo que hay en la célula. |
| y tener acceso a este producto. Entonces conviértete en la separación. En la parte de separación, retiramos los fragmentos celulares, como la membrana celular o el ADN. |
| Luego pasamos a la parte aguas abajo, que se basa en tres cromatografías diferentes y permite la purificación del producto. Entonces el producto está aquí en amarillo en el |
| debajo de la parte de la diapositiva. Y podemos ver que durante cada una de las partes de cromatografía, podemos perfilar un poco más el producto. Al finalizar, realizamos una filtración estéril del producto. |
| Entonces, el objetivo era aumentar el rendimiento general del proyecto y, para ello, primero recopilamos los datos de los 80 lotes y los ordenamos de manera que podamos analizarlos. |
| Luego realizamos análisis de rendimiento. |
| Y luego discutimos el resultado con el análisis del proceso. |
| Con las pymes, por lo que los expertos en la materia. |
| Luego hemos visto y ... pasamos al análisis de datos para la parte aguas arriba y lo realizamos para el análisis a la izquierda de la diapositiva. |
| Luego pasamos a la parte aguas abajo y nos enfocamos en la Cromatografía 1. Al final, sacamos una conclusión de todo lo que vemos en el ... en el análisis y lo que ordena el experto en la materia. Y al final, recalculamos el rendimiento. |
| Veamos qué ... cómo organizamos nuestros datos. Así que basamos los datos en los principios de datos ordenados. |
| Esa es una gran parte del ... antes del análisis, que lleva tiempo, pero es realmente importante tener datos limpios y hacer un análisis eficiente después. Así que primero tenemos sobre, es decir, la unidad de observación uno, por ejemplo, podemos decir a la fermentación. |
| Y luego en cada fila del ... del archivo incluimos un lote cada vez. |
| Para cada columna, tomamos un parámetro. Por ejemplo, para la fermentación, el pH, la temperatura, todos los |
| título (eso significa |
| la cantidad de producto al final). |
| Y luego, para cada valor, |
| aquí corresponde el valor correcto de la columna y el lote. |
| Y con este, podemos ir a JMP y realizar el análisis. |
| Entonces, veamos cómo calculamos el rendimiento. |
| Entonces, primero calculamos el rendimiento para cada paso, comenzando al 100% para la fermentación. |
| y observe cómo disminuye a lo largo del proceso. |
| Entonces, lo que observamos es que tenemos una gran variación en el paso de fermentación. |
| Y luego tenemos una disminución en la cantidad de producto |
| en la etapa de separación, así como en la etapa de cromatografía 1. |
| Y entonces vamos con estos datos a los expertos en la materia. |
| y nos dijeron que la compleja variabilidad de los medios afecta el título final de fermentación, por lo que tenemos que explorar este lugar. |
| Luego, para la separación, la estrategia elegida podría tener un impacto diferente en las proporciones de masa. |
| Y para la cromatografía 1, la estrategia de agrupación probablemente tenga un impacto. |
| Entonces, veremos qué dicen los datos. Así que miramos la parte ascendente y realizamos un análisis diferente. Entonces, el primer análisis fue el análisis multivariado de cada una de estas etapas del proceso de la IP. |
| Entonces nos enfocamos en la fermentación, lisis celular y separación. Y vea todos los parámetros, cómo podrían correlacionarse con el producto al final. |
| Entonces aquí, lo que vemos la fermentación, la cantidad agregada al Reactor 1 tuvo una correlación media con una buena probabilidad de significancia. Para la separación, la relación de masa final. |
| La relación de masa en la separación intermedia tiene un impacto importante en una probabilidad significativa. |
| Observa que otros parámetros, como el pH inicial del Reactor 2, está muy cerca del umbral de correlación medio. |
| y tienen una probabilidad significativa. Y veremos si este parámetro en el próximo análisis. |
| También hemos seleccionado aquí solo el parámetro, que es científicamente significativo |
| para el otro análisis también. |
| Luego pasamos a los mínimos cuadrados parciales. Para los mínimos cuadrados parciales, vemos que tenemos para la fermentación una correlación positiva para todos estos parámetros. Entonces nuevamente vemos la cantidad de Reator 2, el pH inicial del Reactor 2 y la cantidad inicial de Reactor 2. |
| Además de un nuevo parámetro, ese es el tiempo de espera. |
| Y vemos eso |
| la cantidad de Reactor 2 tiene una correlación positiva con este análisis, pero la negativa con MVA. |
| Y esto podría explicarse, debido a los 80 lotes en los que solo ... que estaban en producción, pero no estaban diseñados para responder una pregunta de correlación positiva o negativa en el producto ... Asi que |
| que podría hacerse en el futuro, en otro análisis con un diseño adecuado. |
| Con ??? para seguir diciendo que tenemos un impacto en el producto final. |
| Para los otros parámetros, en los otros pasos de la parte ascendente, también vemos que la predicción coincide con los resultados multivariados. |
| Y también tenemos la posibilidad de mejorar el título. Aquí vemos con el generador de perfiles de predicción que también podemos optimizar |
| en el futuro y el rendimiento del proyecto. |
| Luego probamos el producto ... el cribado del predictor. Y aquí ejecutamos 10 veces el cribado del predictor y se seleccionaron los cinco parámetros que siempre se encuentran entre los 10 primeros. Y aquí lo que vemos. Es el pH inicial del Reactor 2, |
| la relación de masa al final de la separación, la relación de masa en la separación intermedia, |
| la cantidad inicial de Reactor 2, |
| la cantidad de Reactor 2 y la cantidad de Reactor 1. Entonces, nuevamente, tenemos el mismo parámetro que parece tener un impacto. |
| Entonces, pasamos al aprendizaje automático. |
| Este análisis de aprendizaje automático, XGBoost, es un algoritmo de aprendizaje automático de árbol de decisiones. Y para evitar tener en este parámetro de resultado que no es parte |
| de El... |
| de la parte superior de nuestro parámetro, incluimos un parámetro falso, que nos da una especie de umbral en la importancia del parámetro. |
| Y se consideró que todos los parámetros que aparecen por encima de este umbral tienen un impacto. Los otros se consideran aleatorios y están por debajo de este parámetro aleatorio y no tienen impacto o no tienen un impacto significativo en el producto final. |
| Y aquí podemos ver que aparecerá la correlación negativa para el Reactor 1. El pH del Reactor 2 y la cantidad inicial del Reactor 2, tenemos una correlación positiva. |
| Y para la relación de masa, tenemos una correlación negativa. Nuevamente, como expliqué antes, la diferencia entre correlación negativa y positiva no era el objetivo y no estaba diseñada para este experimento, por lo que sabemos que es un impacto, pero no sabemos si es positivo o negativo todavía. |
| Luego iremos a la parte de aguas abajo, |
| específicamente en la Cromatografía 1. |
| Y aquí usamos el modelo predictivo neuronal. |
| Entonces en el modelo predictivo normal usamos el |
| una fracción diferente de la cromatografía. Entonces, en el gráfico de la derecha, vemos que la Fracción 8 tiene ... es la fracción principal, así que donde encontramos la mayor parte del producto, la mayor pureza. Y luego, al disminuir de las Fracciones 7-1, tenemos producto, pero también más impureza. |
| y |
| Hasta ahora, estábamos teniendo en cuenta la Fracción 4 en nuestro análisis y nos gustaría ver si podemos incluir también las Fracciones 3, 2 y 1. |
| Y lo que vimos es que al aumentar el número de fracción, aumentamos el rendimiento pero disminuimos muy poco la pureza. |
| Entonces, en el gráfico de la izquierda, vemos que si vamos a la Fracción 2, disminuimos la pureza a menos del 1% pero el rendimiento se incrementó al 5%. Y luego, cuando incluimos la Fracción 1, tenemos una mayor disminución de la pureza, pero es un poco más del 1%. |
| Más del uno por ciento de la pureza disminuyó y el rendimiento aumentó en el otro lado de aproximadamente el 10%. |
| Entonces, con este resultado intentamos resumir todo junto. |
| Hasta ahora, fermentación, tenemos un volumen final de los tanques y el reactor, que fueron identificados por la mayoría de los métodos. |
| El pH inicial del fermentador también fue identificado por los diferentes métodos de análisis y la variabilidad compleja del compuesto por los expertos del proceso. Y para poder ver el efecto de la variabilidad compleja del compuesto, necesitaremos más investigación en el laboratorio. |
| Luego, para la separación, tenemos la relación de masa, que fue identificada por algunos métodos, |
| análisis de los datos pero también con el proceso ... por los expertos en proceso. |
| Y la estrategia es muy interesante. |
| El experto en proceso decide mirarlo e intenta hacer algunas pruebas para poder mejorar el rendimiento en la producción. |
| Para la Cromatografía 1, la estrategia de agrupación fue identificada por el experto del proceso en el análisis de redes neuronales. Y aquí |
| el método se puede implementar fácilmente en el laboratorio y también en la producción. Y el rendimiento está aumentando mucho con este método. |
| Entonces, recalculamos con la predicción ... |
| Perfilador de predicciones cómo podemos aumentar nuestro rendimiento de los diferentes pasos. Y para la fermentación pudimos aumentar el rendimiento hasta un 16%. |
| Para la separación, podemos aumentarla hasta un 5%, y para Cromatografía 1, aquí hemos elevado |
| hasta 5%. En la otra diapositiva escribimos hasta un 10%, por lo que tratamos de ser el peor de los casos para decir hasta un 5%. Y, al final, tendremos un aumento total al final de |
| 26%, por lo que es una buena manera de mejorar nuestro proceso y enfocarnos exactamente en la parte donde podemos tener un gran impacto. Y simplemente basándonos en los datos sin hacer muchos experimentos en el laboratorio, |
| que también es más barato hacer estos análisis con JMP que hacer muchos experimentos en el laboratorio. Así que tenemos muchas ganancias al final. |
| Entonces, muchas gracias a todos ustedes por escucharme hoy, y también un gran agradecimiento a mi colega. |
| Ludovic, Helge, Lea, Nichola y Sven con el ??? de esta presentación. |
