Altavoces | transcripción |
| Ana Catalina Portman | 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 eficientemente los datos de más de 80 lotes de producción. |
| Pudimos mejorar el rendimiento del producto en más del 26 % según el conocimiento del proceso y el análisis estadístico. El análisis estadístico también permite identificar los pasos clave del proceso que tienen un impacto en el rendimiento del producto. |
| Si lo quiero |
| Primero presentamos 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 ciencias biológicas. |
| Aquí en Visp, somos uno de los sitios más grandes de Lonza. |
| y somos más importantes para la I+D, el desarrollo y la fabricación. |
| Estamos, tenemos una nueva parte de la empresa, Ibex Solutions, donde podemos completar ciclos biofarmacéuticos desde la etapa preclínica hasta la comercial, desde sustancias farmacológicas hasta productos farmacéuticos, 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 producimos aquí en esto. También producimos moléculas pequeñas, productos biofarmacéuticos de mamíferos y microbios, API de alta potencia, péptidos y bioconjugados, incluidos conjugados anticuerpo-fármaco. |
| Ahora que sabes un poco más sobre Lonza, pasaré al análisis de datos históricos. |
| Entonces, antes que nada, 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 microorganismo genera el producto. |
| Entonces el producto produce un microorganismo. |
| El... |
| 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 se 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 llegamos 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 del producto. Al finalizar realizamos una filtración estéril del producto. |
| Entonces, el objetivo era aumentar el rendimiento general del proyecto y, para lograrlo, primero recopilamos los datos de los 80 lotes y los ordenamos de manera que podamos analizarlos. |
| Luego realizamos un análisis de rendimiento. |
| Y luego discutimos el resultado con el análisis del proceso. |
| Con las PYMES, también lo hacen los expertos en la materia. |
| Luego vimos y... fuimos al análisis de datos para la parte aguas arriba y realizamos esto para el análisis a la izquierda de la diapositiva. |
| Luego vamos a la parte aguas abajo y nos centramos 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. Por eso basamos los datos en los principios de datos ordenados. |
| Esa es una gran parte del...antes del análisis, lo que lleva tiempo, pero es muy importante tener datos limpios y hacer un análisis eficiente después. Entonces, primero tenemos la unidad de observación, por ejemplo, podemos decir 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 del producto al final). |
| Y luego, para cada valor, |
| aquí corresponde al valor correcto de la columna y del lote. |
| Y con éste podemos ir a JMP y realizar el análisis. |
| Entonces veamos cómo calculamos el rendimiento. |
| Entonces, primero calculamos el rendimiento de cada paso, comenzando con el 100% para la fermentación. |
| y ver cómo va disminuyendo 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 del producto. |
| en el paso de separación, así como en el paso de cromatografía 1. |
| Y así nos 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 la fermentación, por lo que tenemos que explorar este lugar. |
| Luego, para la separación, la estrategia que se elija podría tener un impacto diferente en las relaciones de masa. |
| Y para la cromatografía 1, la estrategia de combinación probablemente tenga un impacto. |
| Entonces veremos qué dicen los datos. Entonces miramos la parte upstream y realizamos análisis diferentes. Entonces el primer análisis fue el análisis multivariado de cada una de estas etapas del proceso de la USP. |
| Por eso nos centramos en la fermentación, la lisis celular y la separación. Y ver todos los parámetros, cómo podrían correlacionarse con el producto al final. |
| Entonces aquí, lo que vemos es la fermentación, la cantidad agregada al Reactor 1 tuvo una correlación media con una buena probabilidad de significación. Para la separación, la relación de masa final. |
| La relación de masas en la separación intermedia tiene un impacto importante en una probabilidad significativa. |
| Se ve que otros parámetros, como el pH inicial del Reactor 2, están muy cerca del umbral de correlación medio. |
| y tiene una probabilidad significativa. Y veremos si este parámetro en el próximo análisis. |
| También hemos seleccionado aquí sólo el parámetro que tiene significado científico. |
| 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. Nuevamente vemos la cantidad del Reactor 2, el pH inicial del Reactor 2 y la cantidad inicial del Reactor 2. |
| Además de un nuevo parámetro, el tiempo de espera. |
| Y vemos que |
| la cantidad del Reactor 2 tiene una correlación positiva con este análisis, pero negativa con el MVA. |
| Y esto podría explicarse, por los 80 lotes en los que sólo... que estaban en producción, pero no fueron diseñados para responder a una pregunta de correlación positiva o negativa sobre el producto... sobre el producto final. Entonces |
| eso se podría hacer en el futuro, en otro análisis con un diseño adecuado. |
| Con ??? decir todavía que tenemos un impacto en el producto final. |
| Para los demás 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 perfilador de predicción que también podemos optimizar. |
| en el futuro y el rendimiento del proyecto. |
| Luego probamos el producto... la evaluación predictiva. Y aquí ejecutamos 10 veces la selección de predictores y se seleccionaron los cinco parámetros que siempre se encontrarán 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 del Reactor 2, |
| la cantidad de reactor 2, y la cantidad de reactor 1. 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 decisión. Y para evitar tener en este resultado un parámetro que no forma parte |
| del... |
| En 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 tenían impacto. Los demás se consideran aleatorios y están por debajo de este parámetro aleatorio y no tienen ningún 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 aún no sabemos si es positivo o negativo. |
| Luego iremos a la parte de aguas abajo, |
| específicamente en la Cromatografía 1. |
| Y aquí utilizamos el modelado predictivo neuronal. |
| Entonces, en el modelado 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, por lo que donde encontramos la mayor parte del producto, la pureza más alta. Y luego, al disminuir las fracciones 7-1, tenemos producto, pero también más impureza. |
| otro |
| Hasta ahora estábamos teniendo en cuenta la Fracción 4 en nuestro análisis y nos gustaría ver si también podemos incluir 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 aumentó al 5%. Y luego, cuando incluimos la Fracción 1, tenemos una disminución mayor de la pureza, pero es un poco más del 1%. |
| Más del uno por ciento de la pureza disminuyó y el rendimiento aumentó, por otro lado, aproximadamente un 10%. |
| Entonces, con este resultado intentamos resumir todo junto. |
| Hasta ahora, fermentación, tenemos un volumen final de los tanques y del reactor, que fueron identificados por la mayoría de los métodos. |
| Los expertos en procesos identificaron también el pH inicial del fermentador mediante los diferentes métodos de análisis y la compleja variabilidad de los compuestos. Y para poder ver el efecto de la compleja variabilidad del compuesto, necesitaremos más investigaciones en el laboratorio. |
| Luego, para la separación, tenemos la relación de masas, que fue identificada mediante algunos métodos, |
| análisis de los datos pero también del proceso... por parte de los expertos del proceso. |
| Y la estrategia es muy interesante. |
| El experto en el proceso decide mirarlo e intentar hacer algunas pruebas para poder mejorar el rendimiento en la producción. |
| Para la cromatografía 1, la estrategia de agrupación fue identificada por el experto en procesos 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 realmente aumenta mucho con este método. |
| Entonces, volvemos a calcular con la predicción... |
| Generador de perfiles de predicción sobre cómo podemos aumentar el 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 la Cromatografía 1 aquí la hemos subido |
| hasta 5%. En la otra diapositiva escribimos hasta el 10%, por lo que intentamos ser el peor de los casos y decir hasta el 5%. Y, al final, tendremos un aumento total al final de |
| 26%, así que es una buena manera de mejorar nuestro proceso y centrarnos exactamente en la parte en la que podemos tener un gran impacto. Y basándonos únicamente en los datos sin hacer muchos experimentos en el laboratorio, |
| También es más barato hacer estos análisis con JMP que hacer muchos experimentos en el laboratorio. Así que al final tenemos muchas ganancias. |
| Así que muchas gracias a todos por escucharme hoy y también muchas gracias a mi colega, |
| Ludovic, Helge, Lea, Nichola y Sven con el ??? de esta presentación. |
