揚聲器 | 成績單 |
| 安德里亞·庫姆斯，JMP | 大家好，我叫 Andrea Coombs，是 JMP 的一名系統工程師。 所以今天我要講述我在這個行業工作的那些年的故事，特別是在製藥行業。 |
| 所以這就是我今天要說的簡而言之。 |
| 有意義的應對策略 |
| 生產過程中的實時生產數據……在疫苗生產中。 在那次演講中，我討論了處理彎曲數據的方法 |
| 我們從生產車間的傳感器實時獲取。 |
| 今天，我想談談 JMP 中的一些新工具，特別是功能數據瀏覽器，以及如何讓所有這些工作變得輕而易舉。 |
| 我將探討使用功能數據瀏覽器進行流程理解、流程優化和流程監控的方法。 |
| 所以讓我們首先談談我們正在處理的過程和曲線。 所以在左邊，我們有一個假設的疫苗製造過程的例子。 它從材料準備開始。 |
| 在這種情況下，我們分兩個階段進行細菌發酵，然後將產品過濾、吸收和收穫， |
| 在下游產品被離心，然後最後將多個子批次材料一起配製成一批材料。 |
| 今天我將專注於這個過程的發酵階段。 |
| 所以當細菌發酵時，它們正在生長，生長曲線看起來像右邊的東西。 所以在增長過程中，有一個滯後階段，有一個指數增長階段，一個平穩階段，最後是一個對數死亡階段。 |
| 當我在這家公司時，我們正在經歷一個過程的演變，在...的過程理解下，特別是圍繞這些增長曲線。 |
| 所以我們很早就開始了，只從這兩個發酵階段採集五個樣品，將這些樣品發送到......到 QC 實驗室並等待結果。 我們得到了 |
| 光密度，所以我們可以知道這些樣本中細胞的密度，我們得到的結果看起來就像你在右邊看到的那樣。 |
| 我們有這些特定時間點的結果分佈，但我們真的不知道增長曲線是什麼樣的。 它們可能看起來像我在下面這些分佈上繪製的任何曲線。 我們只是真的沒有任何想法。 |
| 但後來我們實施了內聯探針，所以我們實施了濁度探針，這樣我們就可以真正看到那些增長曲線的樣子。 然而，我們不得不穿上禮服進入製造室 |
| 手動下載數據，將其帶回我們的辦公桌，然後嘗試弄清楚我們將如何處理所有這些數據。 |
| 然後，最後，我們將 PLC 升級到我們現在可以在辦公桌上擁有來自所有傳感器的所有數據的地方，無需穿上禮服，然後返回……並返回製造；我們擁有所有數據 |
| 觸手可及，這很棒。 但是通過仔細分析，我們能夠確定我們有太多的數據，我們有很多數據需要處理。 |
| 所以這就是為什麼... |
| 所以這就是為什麼我做了這個關於理解實時數據的應對策略的演講。 |
| 我們做了很多工作來理解我們的數據，我想分享一些您可以採取的策略來理解您的實時數據。 |
| 我談到的第一件事是參數化這些增長曲線。 所以我們有這些曲線，但我們希望能夠看看增長和 |
| 了解發生了什麼，所以我們將它們參數化。 換句話說，我們取了生長的斜率，死亡率的斜率，我們觀察了細菌在每個階段的持續時間。 我們在看 |
| 某些時間點的濁度，現在我們收集了大量這些增長……我們稱之為增長變量。 |
| 這些增長變量對我們非常有用。 我們將它們用於流程理解、流程優化和流程監控。 |
| 現在我談到的第二組應對策略只是處理所有這些實時數據 |
| 我們有。 所以當然，一旦我們開始發現所有這些數據都很有用，我們就希望立即訪問它。 |
| 所以我們首先要弄清楚的是我們所有的數據源，並確保我們可以訪問我們所擁有的一切，不僅是來自歷史學家的數據，還有來自我們的數據。 |
| ERP系統，在我們的實驗室信息管理系統中。 我們必須將所有數據集中到一個地方。 我們使用了一個超級日誌，所以這是訪問我們所有數據和運行我們所有腳本的命令中心。 |
| 這確實是我們所做的大量工作。 我們為自己感到非常自豪，但事後你知道， |
| 了解我們在 JMP 中擁有哪些工具，特別是現在使用 JMP 16，有一些事情會使這項工作變得更加容易。 |
| 通過增長曲線，我們可以使用功能數據瀏覽器來分析我們的曲線。 我們不必參數化它們， |
| 我們在那裡留下了很多數據。 我們可以使用功能數據瀏覽器中的所有數據。 然後，當然，在增強日誌中記錄動作， |
| 這將使編寫腳本的工作變得更加容易。 但今天我只想專注於我將如何使用功能數據瀏覽器。 |
| 當然，我無法再訪問這些數據，所以我模擬了一些增長曲線。 這裡我有 20 條不同的曲線，它們代表了您在細菌發酵過程中可以看到的一些變化。 |
| 使用功能數據瀏覽器，它實際上可以歸結為這四個步驟。 第一件事是你要收集你的曲線 |
| 並且您將平滑所有單獨的曲線。 第二步是確定描述您在這些曲線中看到的所有可變性的平均形狀和形狀分量。 |
| 下一步是提取每條曲線的形狀分量的大小。 |
| 一旦你有了這兩個形狀分量，它們實際上被稱為函數主分量， |
| 那麼您可以將它們用於您想要分析的數據，無論您的曲線是模型的輸入，它們是否是模型的輸出，如果您想進行聚類分析。 |
| 真的，您現在可以使用這些功能主成分進行任何類型的分析。 在今天的示例中，我的所有曲線都是模型的輸出，因此我將使用功能 DOE |
| 仔細看看這些曲線。 那麼讓我們進入 JMP。 |
| 這裡有我的數據表，其中有批號，我有濁度時間，它們構成了曲線。 |
| 而且我還有一堆工藝參數。 我想做的第一件事是，我想做一些工藝理解，看看這些工藝參數中是否有任何一個 |
| 正在影響我在曲線中看到的可變性。 那麼讓我們進入功能數據瀏覽器。 我們將把時間作為我們的 X，濁度是我們的 Y。 我們將輸入我們的 ID 函數，然後我們將獲取所有這些過程參數並將它們作為補充變量輸入。 |
| 現在，我們需要做的第一步是，我們需要將靈活模型擬合到我們所有的曲線上，我將使用定向...直接功能 PCA 來做到這一點。 |
| 這是那些靈活的模型。 JMP 已經為我完成的第二步是確定平均曲線 |
| 和我們的形狀組件。 JMP 為我確定了六個不同的形狀組件。 在左側，我可以看到這六個不同形狀的組件。 |
| 這是這些形狀組件在我的數據中解釋的可變性的累積量。 |
| 您可以看到，僅使用前兩個形狀分量，我就已經描述了曲線中 92% 的可變性，這很棒。 |
| 剩下的形狀組件，我將排除在外，因為它們可能只是解釋我的數據中的隨機可變性。 因此，讓我們繼續將 FPC 的數量自定義為兩個，剩下的就是這兩個形狀組件。 |
| 現在，下一步是確定每條曲線的每個形狀分量的大小，我將它們放在我的得分圖中。 |
| 在 X 軸上，我有形狀組件 1，在 Y 軸上，我有形狀組件 2。 |
| 下面我有一個分析器，我可以在其中查看我的曲線，我在此處以黃色突出顯示，您可以看到第一個形狀組件如何影響曲線的形狀， |
| 主要影響曲線的增長階段，第二個形狀分量主要影響曲線的死亡階段。 |
| 讓我們仔細看看其中的幾個批次。 讓我們來看看第 15 批。 這是 Batch 15 的曲線，我們可以看到形狀分量 1 的大小和形狀分量 2 的大小。 我可以將這些直接輸入到我的分析器中。 |
| 現在您可以看到我能夠重現第 15 批的曲線。 讓我們再看一個。 讓我們來看看這個 Batch 2，你可以看到它與 Batch 15 相比看起來非常不同，形狀……形狀分量的大小也非常不同。 那麼讓我們 |
| 看看那些。 |
| 你現在可以看到我們已經......我們也能夠複製該曲線。 |
| 因此，知道平均形狀，即代表曲線周圍可變性的兩個形狀分量，我們現在可以使用這些形狀分量的這些幅度進行分析。 |
| 我們可以做...當您的曲線是模型中的響應時，您可以在功能數據瀏覽器中進行分析。 |
| 所以在下面，我有一個新的分析器。 這一次在我的分析器中，我有...我的曲線再次出現，我將再次以黃色突出顯示。 |
| 然後我有 pH、溫度、壓力和混合速度參數。 你可以在這裡看到混合速度，它非常平坦，所以它不會影響那個形狀。 |
| 壓力也一樣，但是當我開始觀察溫度時，你可以看到它改變了我曲線的形狀，主要是我曲線的生長階段。 當我改變 pH 值時，它主要影響我曲線的那個階段。 |
| 這就是我為流程理解所採用的方法。 那麼，流程優化呢？ 通過流程優化，我的意思是， |
| 您知道，如果有一條特定的曲線需要標準化，那麼我們需要的 pH 值和溫度是多少才能獲得所需的曲線？ 嗯，你需要做的第一件事就是定義什麼 |
| 所需的曲線看起來像。 我的數據表底部只有一些數據點，它們描述了我正在尋找的形狀，您將在我的... |
| 在圖形構建器中。 在這種情況下，我有興趣獲得一條曲線，其中我的增長率非常快，然後崩潰率非常低。 |
| 這真的很容易添加到功能數據瀏覽器中。 我們只需要做一個額外的步驟；我會回想我之前所做的。 |
| 一個額外的步驟是加載該目標函數，確定哪個 |
| 函數代表我們的目標。 我現在所做的就是複制我以前所做的。 我會做我的直接功能 PCA。 |
| 我將把我的 FPC 定制為 2 個，這……這些結果正是我們之前看到的，然後我將開始做我的功能 DOE。 |
| 再一次，我將在這裡突出我的曲線。 現在已經確定了目標曲線，我可以最大化合意性，換句話說，我可以找到 pH 值和溫度的設定點 |
| 壓力和混合速度會給我一條看起來最像目標曲線的曲線。 所以有 |
| 增長速度真的很快，崩潰的速度很慢。 我只需要 |
| 從 pH 值為 7.2 的培養基開始，並在我的發酵罐上使用 37.9 的溫度。 這就是我用於流程理解和流程優化的方法。 |
| 當我們談論生長曲線或曲線形狀的過程監控時，有一些不同的選擇，我在這裡有一些不同的想法。 |
| 如果這是您想要做的事情，我強烈建議您查看這個 2020 年的演示文稿，即具有函數形式的過程變量的統計過程控制。 |
| 這是一個錄製好的演示文稿，它真的很棒。 他們談到將這些功能主成分放入模型驅動的多元控製圖中。 |
| 他們做了一個很好的演示……演示了這一點，然後還談到了採用這種方法的一些可能的缺點。 |
| 因此，我想討論您可能想要考慮的另一種方法，即著眼於與標準的綜合差異。 |
| 所以就像以前一樣，當我們查看目標曲線時，您可以使用該目標曲線作為標準，然後針對每個批次計算與該標準的差異。 例如，這裡我有 |
| 來自一批的曲線，此處以藍色表示……或者抱歉，以紅色表示。 標準曲線是藍色的，我正在計算差異，這裡的差異在下面的綠色曲線上。 |
| 您可以對該曲線進行積分以找到曲線下方的面積，然後您可以在您的統計過程控製程序中使用它。 我只想快速帶您完成如何執行此操作的步驟。 |
| 所以這是我的時間和我的標準濁度值，我第一批的濁度，我剛剛計算了這兩者之間的差異。 然後你能做的就是你可以 |
| 使用 fit Y by X 為該差異隨時間的變化構建樣條模型，然後您可以將該模型的係數保存到數據表中。 |
| 您將得到的是 X 值和可用於構建樣條模型的四個係數。 這是構建樣條模型的公式， |
| 然後你整合這個公式。 所以你可以通過腳本來做到這一點，我選擇在公式編輯器中做到這一點。 所以我剛剛通過手動整合先前的公式來確定曲線的每個切片的面積。 |
| 所以一旦我有了這些區域切片，那麼我只需要把我感興趣的區域加起來。 所以我可以做總曲線的面積。 |
| 我也可以只在成長階段和死亡階段都這樣做，我在這裡已經做到了 |
| 在我的表變量中。 所以我現在有一個變量來表示我的總積分差異，我在成長階段的積分差異，以及我在死亡階段的積分差異。 |
| 本質上，您只需對每個批次進行檢查並執行此操作。 在這裡，我已經對所有 20 個批次進行了此操作，現在您可以對這些變量進行統計過程控制。 |
| 所以這些是我使用功能數據瀏覽器查看流程監控以及流程理解和流程優化的方法。 我希望你檢查一下，這對你來說也是小菜一碟。 謝謝你。 |
