스피커 | 성적 증명서 |
| 레베카 클라크 | 안녕하세요. 제 이름은 Rebecca입니다. 오늘은 Jose와 George가 합류했습니다. 오늘은 JMP Pro 검증 방법을 사용하여 잘못된 효과를 조사하는 데 시간을 낭비하는 것을 막을 수있는 방법에 대해 이야기하겠습니다. |
| 그래서 먼저 우리를 회사로 소개하고 우리가하는 일을 소개하겠습니다. 우리는 Oxford Biomedica에서 일합니다. |
| 우리는 유전자 및 세포 치료 사업의 선구자이며 렌티 바이러스 벡터 연구, 개발 및 생물 처리 분야에서 선도적 인 위치를 차지하고 있습니다. |
| 그래서 우리는이 분야에서 20 년 이상의 경험을 가지고 있습니다. 우리는 렌티 바이러스 벡터 (?) 기반 요법으로 인간을 치료 한 최초의 회사였습니다. 일부 |
| 우리가 함께 일하는 지역 파트너는 여기 오른쪽 하단에 나열되어 있으므로 Novartis, Sonofi, Boehringer Ingelheim 및 Orchard Therapeutics와 협력하고 있으며, 우리가 치료하는 일부 질환에는 암, 중추 신경계 장애, 낭포 성 섬유증 등이 있습니다. 몇 개. |
| 그래서 작년에 Oxford Biomedia는 우리가 영국 백신 컨소시엄에 가입했을 때 COVID-19 퇴치에 동참했습니다. |
| 컨소시엄은 Oxford University의 Jenner Institute에서 운영했으며 COVID-19 백신 후보를 빠르게 개발하는 것이 목표였습니다. |
| 그리고이 컨소시엄에 가입함으로써 Oxford Biomedica는 컨소시엄이 우리의 최첨단 기술에 접근 할 수 있도록 허용함으로써 백신의 규모를 확장 할 수있게되었습니다. 스위트. 그 후 우리는 AstraZeneca와 임상 및 상업적 공급 계약을 체결했습니다. |
| 그리고 이번 계약을 통해 우리는 AstraZeneca COVID 백신이 임상 시험에서 성공한 것으로 입증되면 공급하기로 합의했습니다. 여러분 모두 알고 계시 겠지만, 백신은 실제로 성공적이었고 Oxford Biologica는 오늘날까지 COVID-19 백신을 계속 생산하고 있습니다. |
| 그래서 저는 또한 우리가 여기서 사용하는 프로세스를 간단히 소개하고 OXB에서 사용하고 싶습니다. |
| 따라서 바이오 프로세스는 원하는 제품을 얻기 위해 살아있는 세포 또는 그 구성 요소를 사용하는 프로세스입니다. |
| 그러한 과정의 예는 알코올성 음료의 발효 일 것입니다. |
| 그리고이 과정에서 효모는 살아있는 성분이며 효모와 맥주를 양조하는 데 필요한 다른 모든 성분은 생물 반응기에 넣고 효모는 발효라는 화학 반응을 시작합니다. 발효 중에 포도당은 에탄올로 전환됩니다. |
| 그리고이 발효 반응이 완료되면 바이오 리액터의 내용물을 수확하고 여과를 통해 정제 한 다음 최종 생성물 인 맥주를 남깁니다. |
| 그래서 여기 옥스포드 바이오 메디카에서 사용하는 과정은 발효와 비슷합니다. 따라서 우리 프로세스의 살아있는 구성 요소는 |
| 그래서 생물 반응기로 우리는 세포 배양과 렌티 바이러스 인자를 만드는 데 필요한 다른 구성 요소를 넣었습니다. |
| 이 생산 공정이 끝나면 바이오 리액터의 내용물이 다운 스트림 공정을 위해 전달되며, 여기서 제품은 정제 된 다음 병에 담아 환자에게 사용하기 위해 배송됩니다. |
| 이 슬라이드는 약물 개발의 수명주기를 보여줍니다. 따라서 맨 아래 왼쪽에는 연구 단계가 있습니다. |
| 이 단계에서 질병 메커니즘에서 중요한 표적 유전자 나 단백질을 확인합니다. |
| 그리고 우리는 또한 이러한 표적에 대한 약물을 개발하고 약물이 질병을 표적으로하는 능력에서 성공적인지 보여줍니다. |
| 그런 다음 수명주기가 끝날 무렵 환자에게 사용하기 위해 약물을 제조하고 병에 담는 상업용 제조를합니다. |
| 그래서 우리 그룹 인 프로세스, 연구 및 개발 그룹은이 두 단계 사이에 있습니다. 생산 프로세스를 설계, 최적화 및 확장하는 것이 우리의 임무입니다. |
| 연구 벤치에서 제조로 의약품을 이동합니다. 우리가 사용하는 일부 공정에는 소규모 쉐이크 플라스크가 포함되며 최대 50 리터의 생물 반응기까지 올바르게 작동합니다. |
| 따라서 상상할 수 있듯이 작업 과정에서 많은 데이터를 생성하고 생물 반응기에는 모니터링하고 최적화하는 데 필요한 많은 입력 매개 변수가 있습니다. |
| 우리가 생성하는 엄청난 양의 데이터로 인해 최적화 중에 어떤 매개 변수에 초점을 맞춰야하는지 식별하기가 매우 어렵습니다. |
| 우리가 작업해야하는 매개 변수의 수가 너무 많기 때문에 각각을 개별적으로 최적화하는 것은 상업적으로 실행 가능하지 않으므로이 시점에서 통계 모델링을 고려합니다. |
| 그리고 모델을 사용하여 최적화해야 할 잠재적 매개 변수 목록을 좁히려 고합니다. |
| 따라서 이러한 모델은 유용하지만 작업 중에 많은 무작위 노이즈를 생성합니다. 이것은 바이오 처리의 살아있는 특성에 달려 있으므로 두 문화가 동일하지 않습니다. |
| 따라서이 랜덤 노이즈는 분명히 통계 모델에 통합되어 최적화 실험 중에 실제가 아닌 효과를 보는 데 시간을 낭비 할 수 있습니다. |
| 이를 염두에두고 JMP Pro, 특히 유효성 검사 기능을 사용하려고했습니다. |
| 우리가 살펴볼 매개 변수 목록의 범위를 좁히고 모델에서 비정품 효과를 제거하는 데 도움이되기를 바랍니다. |
| 우리의 모델도 과적 합하지 않도록합니다. 이제 전체 데이터 유효성 검사 방법에 대해 설명 할 Jose에게 넘기겠습니다. |
| 호세 곤칼베스 | 맞습니다. 제 이름은 Jose이고 전체 최적화 방법에 대해 이야기하겠습니다.이 방법은 JMP Pro에서만 사용할 수있는 모델링 도구입니다. 우리는 사용 방법을 탐구하고 싶었습니다 ... OXB에서 얼마나 유용 할 수 있는지 ... |
| 나는 그것이 얼마나 유용 할 수 있는지 보았다 |
| 바이오 프로세스 데이터 모델링을 위해 OXB에 레베카가 말했듯이 |
| 우리는이 스 테리 탱크 (?) 반응기를 우리의 과정에서 사용하고 기본적으로 세포를 이러한 생물 반응기로 성장시키고 바이러스 벡터를 생산합니다. |
| 주요 제품. 그것은 우리가 최대화하고 모델링하고 싶은 것입니다. 그래서 이것은 우리의 반응 변수입니다. |
| 그리고 생물 반응기는 많은 제어 입력을 필요로하고 하나의 생산 프로세스 동안 많은 데이터를 생성하므로 조사 할 가치가있는 입력 출력을 결정하는 데 도움이되는 도구가 있어야합니다. |
| 그것은 우리에게 큰 가치가 될 것입니다. 이를 통해 시간을 절약하고 리소스를 확보 할 수 있으며 프로세스 조사에 대한보다 구체적인 접근 방식을 사용할 수 있습니다. |
| 따라서 모델 구축에 들어가기 전에 먼저 과거 배치에서 가능한 한 많은 데이터를 수집해야했습니다. |
| 따라서이 데이터는 생산 공정이 어떻게 실행되고 있는지, 데이터의 이상이 벡터 역가에 해로운 영향을 미칠 수 있음을 알려줍니다. 여기 왼쪽에 보시면 |
| 20 개의 변수에서 데이터를 수집했지만 안타깝게도 변수의 실제 이름을 표시 할 수 없었고 데이터를 익명화해야했습니다. |
| 그래서 우리는 X1에서 X20까지 그것들을 여기에 나열하고 우리의 프로세스는 상당히 동적 인 프로세스이기 때문에 예측 변수 간의 공선 성의 정도를 기대할 수 없습니다. 그래서 |
| 요약하면 모델에 대한 20 개의 변수 또는 20 개의 후보 예측 변수가 포함 된 데이터 세트가 있으며 67 개의 과거 배치에서 데이터를 수집했습니다. |
| 따라서 이것은 JMP Pro 평가판의 일부 였기 때문에 처음에는 표준 JMP를 사용하여 모델을 구축 한 다음 to to to to to to to to to to build using the hold 밖으로 공식화 방법. |
| 여기에서 검증 방법없이 모델을 구축하기 위해 JMP에서 표준 모델링 플랫폼을 사용하고 |
| 모든 주 효과, 상호 작용 항 및 제곱항이 모델에 입력되도록 허용하기 위해 여기서 반응 표면 모델을 선택했습니다. 그리고 여기서 성격에서 우리는 단계적으로 진행하기로 결정했습니다. 여기 오른쪽에 |
| 단계적 회귀 제어 패널이 있고 중지 규칙을 P 값 임계 값으로 사용하므로 나머지 매개 변수는 기본적으로 그대로 둡니다. |
| 그런 다음 단계적 회귀를 실행 한 후 생성 된 최종 모델이되었습니다. |
| 여기에서 모델에 8 개의 항이 있고 그 중 7 개가 실제로 중요하다는 것을 알 수 있습니다. 그래서 저는 여기에서 처음 세 가지 요소에 대해서만주의를 기울이고 싶습니다. 왜냐하면 그들은 ... 우리 모델에서 매우 중요하고 |
| 몇 개의 슬라이드에서 제가 보여 드릴 때 매우 중요합니다. |
| 결과 ... 결과 |
| 홀드 아웃 검증 방법을 사용하여 접근 할 때 여기에있는 이전 모델은 중요하며 데이터 세트 변동의 약 44 %를 설명 할 수 있습니다. |
| 그래서 이것은 우리의 초기 접근 방식이었습니다. |
| 생성 된이 첫 번째 모델에 만족했지만 유효성 검사 방법에 대해 더 많이 알고 싶었습니다. |
| 이러한 모든 예측 변수를 조사하려면 상당한 시간과 실험실 리소스가 필요하므로 이것이 다음에 취한 접근법이었습니다. |
| 이 홀드 아웃 검증 방법이 어떻게 작동하는지에 대한 개요입니다. |
| 그리고 본질적으로 데이터 세트가 있고 데이터 세트는 무작위로 두 그룹으로 나뉩니다. 따라서 왼쪽에는 데이터의 70 %가 |
| 모델을 독점적으로 구축하는 데 사용될 데이터의 비율 인 학습 세트에 할당됩니다. |
| 그리고 여기 오른쪽에는 검증 세트에 할당 할 데이터의 30 %가 있습니다. 이것이 사용될 데이터의 비율입니다. |
| 이 R이 최대 값 인 검증 세트의 제곱 일 때 모델 구축 프로세스를 중지합니다. 여기 하단에 |
| 보시다시피, 이것은 단계적 회귀 플랫폼의 스크린 샷입니다. 이것은 우리가 이전에 사용했던 것과 본질적으로 동일합니다. 그러나 이것이 있다는 것을 보여주는 중지 규칙이있었습니다. |
| p 값 임계 값 대신 최대 검증 R 제곱. 그래서 여기 하단의이 그래프는 |
| 훈련 세트가 있고 여기에 제외 레이블이 붙은 검증 세트가 있습니다. |
| 보시다시피 훈련 세트는 모델에 용어를 입력하기 시작하면서 |
| 여기에이 규칙,이 순방향 규칙이 있기 때문에 모델에 0 항으로 시작한 다음 단계적으로 모델에 항을 추가합니다. |
| 이 항을 추가하기 시작하면 R 제곱은 모델에 5 개의 항이있을 때까지 매우 빠르게 증가하고 그 이후에는 R 제곱의 개선이 크게 증가하지 않습니다. |
| 시작할 때 ... 점점 더 많은 용어를 추가 할 때. 그래서 우리가이 방법을 사용할 때 중요한 것 중 하나는 검증 세트에서 일어나는 일이기도합니다. |
| 이것은 우리의 중지 규칙과 관련이 있기 때문입니다. 그래서 일어나는 일은 우리가 모델에 용어를 추가하기 시작할 때와 본질적으로 동일합니다. |
| R 제곱은 우리가 최대 R 제곱에 도달 할 때까지 매우 빠르게 증가하고 그 지점 이후에는 점점 더 많은 항을 추가함에 따라 R 제곱이 감소합니다. |
| 그리고 이것이 바로이 검증 세트가하는 일입니다 ... 무엇을 ...이 검증 세트를 사용하여이 단계에서 모델 구축 프로세스를 중지하고 싶습니다. 데이터 세트의 변동을 방지하고 |
| 모델 과적 합을 만들 수 있거나 실제로 전혀 정품이 아닐 수있는 모델에 이러한 모든 용어를 포함합니다. |
| 따라서 단계적 회귀를 실행 한 후 생성 된 최종 모델이되었습니다. 보시다시피 중요한 항을 8 개 또는 7 개에서 3 개로 줄였습니다. 그리고 기억 하시겠지만 여기에서이 용어들은 우리가 사용하지 않았을 때 매우 중요했습니다. |
| 홀드 아웃 유효성 검사 방법이므로 여기에서는 전혀 중요하지 않은 것 같습니다. |
| 실제로이 모델은 데이터 세트의 변동의 약 4 % 만 설명 할 수 있습니다. |
| 그래서, 이것은 꽤 ... 우리는 이것이 모델의 항의 수를 상당히 감소 시켰다고 생각하고 생각하기 시작했습니다. 좋습니다. 아마도 우리는 다음에 대해 생성 된 검증 세트에 대해 약간 운이 좋지 않았을 것입니다. |
| 이 특정 모델을 구축하고 우리는 ... JMP Pro의 가장 큰 장점 중 하나는이 일반화 된 회귀 플랫폼을 사용할 수 있다는 것입니다. |
| 일반화 회귀 플랫폼에서이 시뮬레이션 기능을 사용할 수 있습니다. 그리고 이것이 기본적으로하는 것은 우리가 원하는만큼 모델을 반복해서 재실행하는 것입니다. |
| 그런 다음 생성되는 각 모델에 대해 사용하고 다른 유효성 검사 세트를 사용합니다. 이것이 우리가 다음에 취한 접근 방식이었습니다. |
| 때문에 |
| 우리가 생성 한 모든 모델을 나열 할 수는 없었습니다. 본질적으로 우리는 100 개의 모델을 생성하려고 시도했거나 100 개의 모델 시뮬레이션을 수행했습니다. 그래서 우리는 모두 여기에 나열 할 수 없습니다. |
| 그리고 우리가 결과를 요약하고 싶었던 방법은 ... 우리는 100 번의 시뮬레이션 후에 모델에 포함시키기 위해 특정 요인이 선택되는 횟수를 세는 것입니다. |
| 그리고 이것이 바로이 그래프가 여기에서 보여주는 것입니다. 그래서 오른쪽에 ... 왼쪽에 |
| 우리는 단지 ... 이것들은 단지 모수 추정치입니다. 데이터의 분산을 관찰하는 것만으로도 좋습니다. 그리고 여기, |
| 보시다시피, 우리는 X13, X8을 가지고 있으며이 방법을 사용하지 않았을 때 실제로 중요한 상호 작용 항입니다. 그리고 여기에서 X13을 예로 들어 보면 단지 ... 46 번만 픽업되었습니다. |
| 모델에 포함하거나 모델에 포함하는 데 걸리는 시간의 46 %를 차지합니다. 따라서 예상했던대로 상당히 낮은 수치입니다. |
| 여기서 이러한 요소는이 방법을 사용하지 않았을 때 매우 중요했습니다. 그래서 |
| 홀드 아웃 검증 방법을 사용한 결론은 과학자들에게, 특히 우리가 모델을 구축 할 때 가지고있는 좋은 도구라는 것입니다. |
| 우리는 중요한 것으로 나오는 이러한 변수를 가지고 있으며 우리의 과학적 이해에 맞지 않습니다. 그래서 또 다른 ... 우리가 취하는 또 다른 결론은 |
| 특히이 연구에서는 우리가 연구 한 공정 속성이 벡터 역가에 큰 영향을 미치지 않는다고 안전하게 가정 할 수 있습니다. 이제 조지에게 넘겨 줄 게요. 그는 자동 검증에 대해 이야기 할 것입니다. |
| 조지 파 멘터 | 안녕하세요 여러분, 제 이름은 조지입니다. 저는 여기 Oxford Biomedica의 정화 그룹에서 일하고 있습니다. 이 자동 유효성 검사에 대해 조금 이야기하겠습니다. |
| JMP에서 가져온 방법과 데이터 구조와 같은 실험 설계에서 특정 용도로 사용됩니다. 바이러스 벡터 정제의 최적화 모델에서 변수를 실제로 제거하기 위해 그 방법론을 어떻게 사용했는지에 대해 조금 이야기하겠습니다. |
| 좋아요, 모르는 사람들을위한 바이러스 벡터 정제에 대한 배경 지식부터 시작하겠습니다. |
| 그래서 본질적으로 우리는 생물 반응기에서이 세포 배양 물질을받습니다. |
| 그리고 그 물질은 아주 조잡한 물질입니다. 그래서 우리가 관심을 가지고있는 치료제는 매우 바이러스 성 매개체이며 수천 개의 다른 종, 오염 된 종도 포함합니다. |
| 그리고 원치 않는 단백질에서 박테리아 DNA 또는 때로는 비효율적 인 바이러스에 이르기까지 모든 것이 될 수 있습니다. |
| 그래서 정화의 목적은 순수한 바이러스 벡터 제품을이 모든 다른 오염 물질로부터 분리하는 것입니다. |
| 그러나 이러한 과정은 매우 복잡한 과정이 될 수 있습니다. 크로마토 그래피 또는 효소 처리와 성능에 영향을 미치는 다양한 요인이 포함됩니다. 따라서 최상의 순도에 도달하기 위해서는 최상의 조건을 효율적으로 선택하는 방법이 필요합니다. |
| 그리고 우리가 그렇게하는 방법은 실험 설계를 사용하는 것입니다. 그리고 생물 공정 개발 타임 라인 전반에 걸쳐 공통된 실험 설계, |
| 우리는 본질적으로 바이오 프로세스를 선별하고, 최적화하고, 완전히 특성화하는 데 사용합니다. |
| 본질적으로 약물 개발 일정을 거치면서 상업적 제조로 이동함에 따라 실험 규모가 커집니다. |
| 우리가 할 수있는 실험의 수는 실제로 줄어들고, 상용 제품에 가까워 질수록 상황을 바꾸는 것이 점점 더 어려워집니다. |
| 따라서 개발 일정 초기에 현명한 결정을 내릴 수 있어야합니다. |
| 효과적인 모델 개발. 그래서 우리가 초기에 효과적인 모델을 가지고 있다면, 우리가 절차의 규모를 거치면서 최상의 조건을 선택했다는 확신을줍니다. |
| 특정 예에서이 자동 검증 기술을 어떻게 사용했는지 자세히 설명하겠습니다. 그래서 우리는 실험의 반응 표면 설계를 수행했습니다. |
| 바이러스 벡터 정제 단계에서 실제 데이터를 공유 할 수 없지만 여기서 정규화해야했습니다. |
| 그래서 이것은 3 요소 설계 공간이었고 우리의 관심 출력 또는 반응 변수는이 불순물 수준입니다. 그래서이 불순물 수준은 DNA 단백질을 오염시키는 양이 될 수 있습니다. |
| 그래서 이것의 목표는 가능한 가장 낮은 불순물 수준을 위해 이러한 모델을 최적화하는 것이 었습니다. |
| 그리고 이것은 우리가 처음에 JMP 설정에서 어떻게 보 였는지, 세 가지 입력 변수와이 응답 불순물이 있습니다. |
| 그래서 우리는 처음에 단계적 회귀 플랫폼과 JMP Pro 기능인 Lasso 회귀를 사용하여 몇 가지 모델을 구축했습니다. |
| 그리고 실제로 처음에 우리는 우리가보고있는 것에 매우 만족했습니다. 그래서 우리는 상당히 많은 데이터를 설명하고있었습니다. |
| 우리는 그것을 아주 잘 설명하고있는 것 같았고 우리가 기대할 수있는 변수들을보기 시작했습니다. |
| 하지만 우리를 덜 확신하게 만드는 변수가 하나 있습니다. 이것이 바로이 X1 X3 상호 작용이었습니다. 여기에서 강조 표시 한 것을 볼 수 있습니다. |
| 화면 오른쪽 상단에주의를 기울이면이 X1 프로필이 다음에 따라 완전히 변경되는 것을 볼 수 있습니다. |
| X3의 값입니다. 따라서 X3의 값이 낮 으면 이런 종류의 실제 효과가 없습니다. 그리고 X3의 값이 높으면 이런 종류의 양의 상관 관계가 있습니다. |
| 그리고 그것은 실제로 우리를 혼란스럽게했고, 사실이 X1 X3 상호 작용은 우리가 과학적으로 이해할 수있는 것과 맞지 않았기 때문에 약간 걱정이되었습니다. |
| 그래서 그것은 우리를 약간 혼란스럽게 만들었고 또한 우리 모델이 우리가 제대로 본 데이터를 실제로 설명하는 것과 비슷했습니다. |
| 또한이 X3 변수가 실제로 알려졌다는 점에서 프로세스 개발에 중요한 실제 영향을 미쳤습니다. |
| 상당히 변화합니다. 그래서 제가 여기서 사용할 비유는 만약 우리가 두 가지 약물, 즉 X1과 X2의 약물 투여를 개발한다면, |
| 그리고 우리는 실제로 복용량이 환자의 나이에 따라 다르다는 것을 발견했습니다. 예를 들어 X3는 당신이 정말로 파헤쳐 서 특성화해야하는 것입니다. 따라서 이러한 상호 작용을 탐색하려면 실제로 상당한 추가 실험 비용과 시간이 필요했습니다. |
| 그래서 검증 방법론을 실행하고 싶었 기 때문에 JMP의 동료들과상의했습니다. |
| 그리고 그들은 본질적으로 우리에게 불행하게도 실험 데이터 구조의 설계에이 홀드 아웃 검증을 사용할 수 없다고 말했습니다. |
| 그 이유는 상상할 수 있다면 검증 세트의 70 %, 그런 종류의 훈련 세트를 여기 디자인 공간에있는 제 데이터에 할당했기 때문입니다. |
| 실제로 모델을 구축하고 있지만 실제로는 디자인 공간의 일부가 완전히 누락되었습니다. 따라서 DOE 데이터 세트에서이 홀드 아웃 유효성 검사를 사용하는 것은 실제로 적용되지 않습니다. |
| 그래서 JMP의 동료들이이 자동 검증을 통해 우리에게 왔습니다. |
| 그리고 그것이 나에게 설명 된 방식은 본질적으로 전체 데이터 세트를 리샘플링한다는 것이 었습니다. 따라서 훈련에는 전체 데이터 세트를 사용하고 유효성 검사에는 전체 데이터 세트를 사용합니다. |
| 언뜻 보면 속임수처럼 보일 수 있습니다. 확실히 저에게 그랬지만, 이것이 공정하게 성취되는 방법은 |
| 이 세 개의 추가 열을 적용하고 실제로이 부분 가중치 부트 스트랩 가중치를 적용합니다. |
| 그리고 본질적으로 여기에서 아이디어는 모델 학습에 데이터 조각을 사용하면 유효성 검사에서 동일한 데이터 조각을 많이 사용하지 않도록하는 것입니다. 이것이 데이터를 이중으로 세는 아이디어를 우회하는 방법입니다. |
| 그래서 우리는이 방법론을 사용했습니다. 우리는 모델에서 이것을 실행했습니다. 여기에서 JMP의 설정을 볼 수 있으며 다시 일반화 된 회귀 플랫폼 인 JMP Pro 도구를 사용합니다. |
| 그리고 이것은 Jose가 설명했던 것과 거의 동일하지만, 다른 것에 대해 시뮬레이션하는 대신 |
| 훈련 및 검증 할당을 통해 실제로이 부분 가중치를 시뮬레이션합니다. 그래서 우리는 다른 모델을 생성하기 위해 여러 번 시뮬레이션하고 실제로 이것을 500 번 겪었습니다. |
| 다시 말하지만, 데이터의 출력은 다음과 같습니다. Jose의 이전과 함께 여기 오른쪽에 특정 변수가 몇 배인지에 대한 히스토그램이 있습니다. |
| 여기 왼쪽에는 다양한 모델에서이 모수 추정치가 있습니다. |
| 저는 실제로 여기에이 빨간 선을 그렸고 이것을 null factor 선이라고 불렀습니다. 따라서이 널 인자 변수는 일종의 가짜 변수처럼 작동합니다. |
| 그래서 우리는 이것이 일종의 말도 안되는 변수라는 것을 알고 있습니다. 왜냐하면 여기 왼쪽의 null 인자를 보면, 모수 추정치가 0 주위에 꽤 널리 분포되어 있다는 것을 알 수 있습니다. 그래서 어디로 가야할지 알지 못합니다. |
| 그래서 우리는이 선을 그리고 우리는 어떤 ... 처음으로 널 인자가 나타날 때, 우리가 진짜가 아닌 효과라고 생각하는 그 아래에있는 모든 것. |
| 그래서 이것은 일종의 비 진짜 용어의 범위입니다. 그리고 저는 파란색으로 강조 표시했습니다. 보시다시피이 X1 X3 상호 작용은 우려 사항 중 하나였습니다. |
| 그리고 여기에서 시간이 더 적고 null factor 효과가 많이 발생한다는 것을 알 수 있습니다. 그래서 이것은 이것이 진정한 효과가 아닐 수도 있다는 첫 번째 징후였습니다. |
| 그래서 우리는 거기서 멈추고 싶지 않았습니다. 우리는 이것의 여러 반복을 다른 |
| 자동 유효성 검사 설정, 여기에 세 가지 예제를 생성했습니다. 그러나 모든 예에서 파란색으로 강조 표시된이 X1 X 3 상호 작용은이 빨간색 선,이 null 요인 선보다 지속적으로 낮아지는 것을 볼 수 있습니다. |
| 그래서 그것을 바탕으로 우리는 우리가보고있는 것이 아마도 진짜 효과가 아니라는 것을 꽤 확신했고, 그래서 우리가 원하는 모델에서 그것을 제거 할 수있었습니다. |
| 이제 우리가 얻은 최종 결과물을 비교해 보겠습니다. 여기 왼쪽에는이 X1 X3 상호 작용을 포함하는 초기 모델이 있습니다. |
| 그리고 오른쪽에는 자동 검증 된 모델이 있습니다. |
| 그리고 우리가 가장 먼저 알아 차린 것은 R 제곱의 감소였습니다. 따라서 처음에는 데이터를 덜 설명하는 것처럼 보이지만 실제로 지금은 우리가 설명하는 내용이 실제로 진짜라고 훨씬 더 확신합니다. |
| 그리고 여기에서 출력되는 최소화 최적화 조건의 차이를 볼 수 있습니다. |
| 그리고 이것은 실제로 처리 측면에서 우리에게 많은 종류의 이점을 가졌습니다. 그래서 이것들은 모두 실생활의 변수라는 것을 기억하십시오. |
| 그래서이 X1 변수는 실제로 우리 프로세스에 매우 비용이 많이 듭니다. 그래서 우리는 그 변수를 줄일 수 있다는 것을 알게되어 매우 좋았습니다. |
| 다시 말하지만,이 X2 변수가 감소함에 따라 실제로 과학적 이유로 인해 우리 프로세스에 상당한 이점이 있습니다. 따라서 우리에게도 도움이되었던이를 줄일 수 있습니다. |
| 그리고 이것들은 일종의 행복한 우연의 우연입니다.하지만 우리가 정말로 기뻐했던 한 가지는 사실, |
| 이 X1 X3 상호 작용이 제거 된 것을 볼 수 있습니다. 실제로 X1과 X2의 프로필이 일정하고 실제로 |
| 우리가 기대했던 과학적 이해가 있었기에 우리는 이것을 관찰하게되어 매우 기뻤습니다. 그리고 분명히 우리는 이제 사라졌고, 어떤 모델이 가장 실적이 좋은지 확인하기 위해 후속 실험을 통해 두 모델을 모두 테스트했습니다. |
| 그리고 모든 경우에이 자동 검증 된 모델은 최종 최종 실험에서 본 관찰과 일치했습니다. |
| 지금 돌려 줄게, 레베카. |
| 레베카 클라크 | 우리가 얘기 한 내용을 간단히 요약하겠습니다. 따라서 우리는 비 진정 효과가 바이오 프로세싱의 개발 일정과 실험 비용 모두에 실제 영향을 미친다는 것을 알고 있습니다. |
| 그리고 여기에서는 바이오 프로세스에 도움이되는 두 가지 검증 방법을 살펴보고 최적화 실험에서 제거 할 수있는 잠재적 인 비 진정 효과를 강조했습니다. |
| 따라서 검증 도구를 사용하여 최적화 목록에서 여러 매개 변수를 성공적으로 제거한 다음 DOE 유형 실험 중에 자동 검증을 사용합니다. |
| 그리고 이러한 경우 생성 된 모델은 나중에 실험 작업으로 확인됩니다. 그래서 전반적으로 우리는 JMP Pro를 사용하는 방법에 매우 만족했습니다. |
| 특히 바이오 프로세스 내의 검증 방법은 많은 시간과 자원을 절약하고 비 진정 효과에 초점을 맞추지 않습니다. |
| 마지막으로이 프레젠테이션을 진행하는 동안 도움을 주신 JMP의 Robert Anderson과 Anna Roper에게 감사드립니다. |
