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時的故事，特別是在製藥行業。 |
| 因此，這就是我今天要簡要介紹的內容。 |
| 有意義的應對策略 |
| 製造中的實時生產數據……在疫苗製造中。 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信息。 |
| 今天，我想談談我們在 JMP 中擁有的一些新工具，特別是功能數據瀏覽器，以及它如何使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。 |
| 因此，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，然後過濾、吸收和收穫產品， |
| 然後在下游將產品離心，最後，將多個子批次的材料一起配製成一批材料。 |
| 今天我將重點關注這個過程的發酵階段。 |
| 所以當細菌在發酵時，它們正在生長，生長曲線看起來像右邊的東西。 所以在生長過程中，有一個滯後階段，有一個指數增長階段，一個穩定階段，最後是一個對數死亡階段。 |
| 當我在這家公司時，我們正在經歷過程的演變……在過程理解下，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了五個樣本，將這些樣本發送到……QC 實驗室並等待結果。 我們得到了 |
| 光密度，這樣我們就可以知道這些樣本中的細胞密度，我們得到的結果看起來就像你在右邊看到的那樣。 |
| 我們在那些特定的時間點有一個結果分佈，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的那些分佈上繪製的任何曲線。 我們只是真的不知道。 |
| 但後來我們實施了內聯探測器，所以我們實施了濁度探測器，這樣我們就可以真正看到那些增長曲線是什麼樣子的。 然而，我們不得不穿上禮服進入製造車間 |
| 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 升級到現在我們可以在辦公桌上獲得來自所有傳感器的所有數據，而無需穿上防護服並返回……並返回製造；我們有所有的數據 |
| 觸手可及，這太棒了。 但是通過仔細的分析，我們能夠確定我們的數據太多了，我們有很多數據要處理。 |
| 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。 |
| 我們投入了大量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，我們採用了生長的斜率、死亡率的斜率，我們正在觀察細菌在每個階段的持續時間。 我們在看 |
| 某些時間點的渾濁度，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就是處理所有這些實時數據 |
| 我們有。 因此，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。 |
| 所以我們必須弄清楚的第一件事是我們所有的數據源，並確保我們可以訪問我們擁有的一切，不僅是我們的歷史學家的數據，而且我們有我們的數據 |
| 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所有腳本的命令中心。 |
| 我們確實做了很多工作。 我們為自己感到驕傲，但事後看來， |
| 了解我們在 JMP 中擁有哪些工具，特別是現在使用 JMP 16，有幾件事可以使這項工作變得容易得多。 |
| 有了增長曲線，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，增強日誌中的操作記錄， |
| 這將使編寫腳本的工作變得容易得多。 但今天我只想關注我將如何使用功能數據瀏覽器。 |
| 當然，我無法再訪問該數據，所以我模擬了一些增長曲線。 在這裡，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。 |
| 而使用功能數據瀏覽器，它真的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成分，它們實際上就被稱為功能主成分， |
| 然後你可以使用它們來分析你的數據，你的曲線是否是模型的輸入，如果它們是模型的輸出，如果你想做聚類分析。 |
| 實際上，您現在可以使用這些功能主成分進行任何類型的分析。 在今天的例子中，我所有的曲線都是模型的輸出，所以我將使用功能性 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，有濁度時間，它們構成了曲線。 |
| 而且我還有一堆工藝參數。 我要做的第一件事是，我想做一些工藝了解，看看這些工藝參數是否 |
| 正在影響我在曲線中看到的可變性。 因此，讓我們進入功能數據瀏覽器。 我們將時間作為我們的 X，濁度是我們的 Y。 我們將放入我們的 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，我們需要使靈活的模型適合我們所有的曲線，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 為我確定了六種不同的形狀成分。 在左邊這裡，我可以看到那六個不同的形狀組件。 |
| 這是這些形狀組件在我的數據中解釋的累積變異量。 |
| 你可以看到，僅使用前兩個形狀組件，我已經描述了曲線中 92% 的可變性，這很棒。 |
| 剩下的形狀成分在這裡，我將排除在外，因為它們可能只是在解釋我數據中的隨機變化。 因此，讓我們繼續將我們的 FPC 數量自定義為兩個，我只剩下這兩個形狀組件。 |
| 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，我在這裡用黃色突出顯示了它，您可以看到第一個形狀組件如何影響曲線的形狀， |
| 主要是曲線的生長期，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。 這是第 15 批次的曲線，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 批次的曲線。 讓我們再看一個。 讓我們看一下第 2 批次，您可以看到它與第 15 批次相比看起來非常不同，而且形狀……形狀組件的大小也非常不同。 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，即表示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大小來進行分析。 |
| 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...我再次有了我的曲線，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的曲線形狀，主要是曲線的增長階段。 當我改變 pH 值時，它主要影響曲線的那個階段。 |
| 這就是我為理解流程而採用的方法。 那麼，流程優化呢？ 通過流程優化，我的意思是， |
| 你知道，如果有一條我們想要標準化的特定曲線，為了獲得所需的曲線，我們需要多少 pH 值和溫度？ 嗯，你需要做的第一件事是你需要定義什麼 |
| 所需的曲線看起來像。 我的數據表底部只有幾個數據點，它們描述了我正在尋找的形狀，你會在我的... |
| 在圖形生成器中。 在這種情況下，我有興趣得到一條曲線，在該曲線上我的增長率非常快，然後崩潰率非常慢。 |
| 這真的很容易添加到功能數據瀏覽器中。 我們只需要多做一步；我會回憶起我之前的所作所為。 |
| 一個額外的步驟是加載目標函數，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做過的事情。 我會做我的直接功能 PCA。 |
| 我要將我的 FPC 自定義為 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性 DOE。 |
| 再一次，我將在這裡突出顯示我的曲線。 既然已經確定了目標曲線，我就可以最大限度地提高合意性，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 |
| 確實增長速度快，崩潰速度慢。 我只需要 |
| 從 pH 值為 7.2 的介質開始，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。 |
| 當我們談論增長曲線或曲線形狀的過程監控時，有一些不同的選擇，我在這裡有幾個不同的想法。 |
| 如果這是您想做的事情，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。 |
| 這是一個錄製的演示文稿，它真的很棒。 他們討論了採用這些功能性主成分並將它們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，即查看與標準的集成差異。 |
| 所以就像以前一樣，當我們查看該目標曲線時，您可以將該目標曲線用作標準，然後對於每個批次，計算與該標準的差異。 例如，在這裡我有 |
| 此處以藍色表示的一批曲線……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這條綠色曲線上。 |
| 您可以對該曲線進行積分以找到曲線下的面積，然後您可以在統計過程控製程序中使用它。 我只是想快速帶你完成如何做到這一點的步驟。 |
| 所以這是我的時間和我的標準濁度值，我的第一批濁度，我剛剛計算了這兩者之間的差異。 然後你能做的就是你能 |
| 使用 X 擬合 Y 為該差異隨時間構建樣條模型，然後您可以將該模型的係數保存到數據表中。 |
| 您將獲得 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完成，我選擇在公式編輯器中完成。 所以我剛剛通過手動整合前面的公式來確定這裡曲線的每個切片的面積。 |
| 所以一旦我有了這些區域切片，然後我只需要將我感興趣的區域相加。 所以我可以做總曲線的面積。 |
| 我也可以只針對生長期和死亡階段進行操作，我已經在此處完成了 |
| 在我的表變量中。 所以我現在有一個變量來表示我的總綜合差異，我在生長期的綜合差異，以及我在死亡階段的綜合差異。 |
| 從本質上講，您只需對每個批次進行檢查並執行此操作。 我已經為所有 20 個批次完成了此操作，現在您可以對這些變量進行統計過程控制。 |
| 因此，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。 |
