스피커 | 성적 증명서 |
| Andrea Coombs, JMP | 안녕하세요, 제 이름은 Andrea Coombs이고 JMP의 시스템 엔지니어입니다. 그래서 오늘은 제가 업계, 특히 제약 업계에서 일했을 때의 이야기를 하려고 합니다. |
| 그래서 오늘 말씀드릴 내용은 간단합니다. |
| 이해를 위한 대처 전략 |
| 제조...백신 제조의 실시간 생산 데이터. 그리고 그 프레젠테이션에서 곡선 데이터를 처리하는 방법에 대해 논의했습니다. |
| 우리는 제조 현장의 센서에서 실시간으로 얻고 있었습니다. |
| 그리고 오늘 제가 이야기하고자 하는 것은 JMP에 있는 몇 가지 새로운 도구, 특히 기능적 데이터 탐색기와 이 모든 작업을 케이크 조각으로 만든 방법에 대한 것입니다. |
| 그리고 프로세스 이해, 프로세스 최적화 및 프로세스 모니터링을 위해 기능 데이터 탐색기를 사용하는 방법에 대해 설명하겠습니다. |
| 따라서 먼저 우리가 처리한 프로세스와 곡선에 대해 이야기하는 것으로 시작하겠습니다. 여기 왼쪽에 가상의 백신 제조 공정의 예가 있습니다. 재료 준비부터 시작합니다. |
| 이 경우 박테리아 발효를 2단계로 진행한 후 제품을 여과, 흡수, 수확하여, |
| 그리고 다운스트림에서 제품이 원심분리되고 마지막으로 여러 하위 로트의 재료가 하나의 재료 로트로 공식화됩니다. |
| 그리고 오늘 저는 이 과정의 발효 단계에 초점을 맞출 것입니다. |
| 그래서 박테리아가 발효되는 동안 그들은 성장을 하고 있고 성장 곡선은 여기 오른쪽에 있는 것과 같습니다. 성장하는 동안에는 지연 단계가 있고 지수 성장 단계, 정지 단계, 마지막으로 대수적 죽음 단계가 있습니다. |
| 그리고 제가 이 회사에 있는 동안 우리는 특히 이러한 성장 곡선을 중심으로 프로세스 이해의... 프로세스의 진화를 겪고 있었습니다. |
| 그래서 우리는 이 두 발효 단계에서 5개의 샘플을 채취하여 QC 실험실로 보내고 결과를 기다리는 방식으로 일찌감치 시작했습니다. 그리고 우리는 얻었다 |
| 광학 밀도, 그래서 우리는 그 샘플에 있는 세포의 밀도를 말할 수 있었고 우리가 얻은 결과는 여기 오른쪽에 보이는 것과 같았습니다. |
| 특정 시점에 결과 분포가 있지만 성장 곡선이 어떻게 생겼는지 정말 몰랐습니다. 그것들은 아래의 분포에 대해 내가 그린 곡선처럼 보일 수 있습니다. 우리는 정말 아무 생각이 없었습니다. |
| 그러나 우리는 인라인 프로브를 구현하여 탁도 프로브를 구현하여 성장 곡선이 어떻게 생겼는지 실제로 볼 수 있었습니다. 그러나 우리는 가운을 입고 제조실로 가야했습니다. |
| 데이터를 수동으로 다운로드하고 책상으로 가져온 다음 이 모든 데이터로 무엇을 할 것인지 알아내십시오. |
| 그리고 마지막으로, 우리는 책상에 있는 모든 센서의 모든 데이터를 가질 수 있는 곳으로 PLC를 업그레이드했습니다. 우리는 모든 데이터를 가지고 있었다 |
| 우리의 손끝에서, 그것은 훌륭했습니다. 하지만 주의 깊게 분석한 결과 데이터가 너무 많고 처리해야 할 데이터도 많다는 것을 알 수 있었습니다. |
| 그래서인지... |
| 그래서 실시간 데이터를 이해하기 위한 대처 전략에 대한 프레젠테이션을 했습니다. |
| 우리는 데이터를 이해하기 위해 많은 노력을 기울였으며 실시간 데이터를 이해하기 위해 취할 수 있는 몇 가지 전략을 공유하고 싶었습니다. |
| 제가 가장 먼저 이야기한 것은 이러한 성장 곡선을 매개변수화하는 것이었습니다. 그래서 우리는 이러한 곡선을 가지고 있었지만 우리는 성장과 |
| 무슨 일이 일어나고 있는지 이해하기 위해 우리는 그것들을 매개변수화했습니다. 즉, 우리는 성장의 기울기, 사망률의 기울기를 취했고, 우리는 박테리아가 각 단계에 있는 시간을 보고 있었습니다. 우리는보고 있었다 |
| 특정 시점의 탁도, 그리고 이제 우리는 이러한 성장...우리가 성장 변수라고 부르는 대규모 컬렉션을 갖게 되었습니다. |
| 그리고 이러한 성장 변수는 우리에게 매우 유용했습니다. 프로세스 이해, 프로세스 최적화 및 프로세스 모니터링에 사용했습니다. |
| 이제 내가 이야기한 두 번째 대처 전략 그룹은 이 모든 실시간 데이터를 처리하는 것이었습니다. |
| 우리가 가지고 있었다. 물론 이 모든 데이터가 유용하다는 것을 알게 되자 즉시 액세스하고 싶었습니다. |
| 따라서 우리가 가장 먼저 파악해야 하는 것은 모든 데이터 소스와 히스토리언의 데이터뿐만 아니라 |
| 연구실 정보 관리 시스템의 ERP 시스템. 우리는 그 데이터를 모두 한 곳으로 가져와야 했습니다. 우리는 슈퍼 저널을 사용했기 때문에 이것은 모든 데이터에 액세스하고 모든 스크립트를 실행하는 일종의 명령 중심입니다. |
| 이것은 우리가 정말 많은 일을 했습니다. 우리는 우리 자신이 꽤 자랑스러웠지만 돌이켜보면, |
| JMP, 특히 현재 JMP 16에 어떤 도구가 있는지 알면 이 작업을 훨씬 쉽게 만들 수 있는 몇 가지 사항이 있습니다. |
| 성장 곡선을 사용하면 기능 데이터 탐색기를 사용하여 곡선을 분석할 수 있습니다. 매개변수화할 필요가 없습니다. |
| 많은 데이터를 남겨두었던 곳입니다. Functional Data Explorer의 모든 데이터를 사용할 수 있습니다. 그러면 물론 강화된 로그에 액션을 기록하고, |
| 그렇게 하면 스크립팅에 대한 노력이 훨씬 쉬워졌을 것입니다. 그러나 오늘은 기능적 데이터 탐색기를 사용하는 방법에 초점을 맞추고 싶습니다. |
| 물론 더 이상 해당 데이터에 액세스할 수 없으므로 일부 성장 곡선을 시뮬레이션했습니다. 여기에 20개의 다른 곡선이 있습니다. 이는 박테리아 발효 중에 볼 수 있는 약간의 변동성을 나타냅니다. |
| 그리고 기능적 데이터 탐색기를 사용하면 이 네 단계로 요약됩니다. 첫 번째는 곡선 컬렉션을 가져갈 것입니다. |
| 모든 개별 곡선을 매끄럽게 만들 것입니다. 두 번째 단계는 이러한 곡선에서 볼 수 있는 모든 변동성을 설명하는 평균 모양 및 모양 구성요소를 결정하는 것입니다. |
| 다음 단계는 각 곡선에 대한 모양 구성 요소의 크기를 추출하는 것입니다. |
| 일단 이 두 가지 모양 구성 요소를 갖게 되면 실제로는 기능적 주요 구성 요소라고 합니다. |
| 그런 다음 곡선이 모델에 대한 입력인지, 모델에 대한 출력인지, 클러스터링 분석을 수행하려는 경우 데이터를 분석하려는 데 사용할 수 있습니다. |
| 실제로 이러한 기능적 주요 구성 요소를 사용하여 이제 모든 종류의 분석을 수행할 수 있습니다. 오늘 예에서 내 모든 곡선은 모델에 대한 출력이므로 기능적 DOE를 사용할 것입니다. |
| 이 곡선을 자세히 살펴보십시오. 이제 JMP에 대해 알아보겠습니다. |
| 여기에 배치 번호가 있는 데이터 테이블이 있고 곡선을 구성하는 탁도 시간이 있습니다. |
| 그리고 프로세스 매개변수도 많이 있습니다. 그리고 제가 하고 싶은 첫 번째 일은 이러한 공정 매개변수가 |
| 곡선에서 보고 있는 변동성에 영향을 미치고 있습니다. 그럼 Functional Data Explorer로 들어가 보겠습니다. 시간을 X로, 탁도는 Y로 표시합니다. ID 함수를 입력한 다음 이러한 모든 프로세스 매개변수를 추가 변수로 입력합니다. |
| 이제 우리가 해야 할 첫 번째 단계는 유연한 모델을 모든 곡선에 맞춰야 하며 이를 위해 방향성...직접 기능적 PCA를 사용할 것입니다. |
| 다음은 유연한 모델입니다. JMP가 이미 수행한 두 번째 단계는 평균 곡선을 결정하는 것입니다. |
| 그리고 우리의 모양 구성 요소. 그리고 JMP는 나를 위해 6가지 다른 모양 구성 요소를 식별했습니다. 여기 왼쪽에 6개의 다른 모양 구성 요소가 있습니다. |
| 그리고 여기에 해당 모양 구성 요소가 내 데이터에서 설명하는 변동성의 누적 양이 있습니다. |
| 처음 두 개의 모양 구성 요소만으로 이미 곡선의 변동성의 92%를 설명하고 있음을 알 수 있습니다. 이는 훌륭합니다. |
| 그리고 여기에 있는 나머지 모양 구성 요소는 제외하겠습니다. 아마도 내 데이터의 무작위 변동성을 설명하기 때문일 것입니다. 이제 FPC의 수를 2로 사용자 정의하고 두 가지 모양 구성 요소가 남습니다. |
| 이제 다음 단계는 각 곡선에 대한 각 모양 구성 요소의 크기를 결정하는 것입니다. 여기 내 점수 도표에 있습니다. |
| X축에는 Shape Component 1이 있고 Y축에는 Shape Component 2가 있습니다. |
| 아래에는 노란색으로 강조 표시된 곡선을 볼 수 있는 프로파일러가 있습니다. 첫 번째 모양 구성 요소가 곡선 모양에 어떤 영향을 미치는지 볼 수 있습니다. |
| 주로 곡선의 성장 단계이고 두 번째 모양 구성 요소는 주로 곡선의 죽음 단계에 영향을 줍니다. |
| 그리고 이러한 배치 중 몇 가지를 자세히 살펴보겠습니다. 배치 15를 살펴보겠습니다. 다음은 배치 15에 대한 곡선이며 모양 구성요소 1의 크기와 모양 구성요소 2의 크기를 볼 수 있습니다. 내 프로파일러에 바로 입력할 수 있습니다. |
| 이제 배치 15에 대한 곡선을 재현할 수 있음을 알 수 있습니다. 하나만 더 살펴보겠습니다. 이 Batch 2를 살펴보겠습니다. Batch 15와 모양이 매우 다르고 모양...모양 구성 요소의 크기도 매우 다릅니다. 그래서 하자 |
| 그것들을 살펴보십시오. |
| 그리고 이제 우리가... 그 곡선을 복제할 수 있음을 알 수 있습니다. |
| 따라서 평균 모양, 즉 곡선 주변의 변동성을 나타내는 두 가지 모양의 구성 요소를 알고 있으므로 이제 이러한 모양 구성 요소의 크기를 사용하여 분석을 수행할 수 있습니다. |
| 그리고 우리는 할 수 있습니다...귀하의 곡선이 모델의 응답이면 바로 여기 기능 데이터 탐색기에서 해당 분석을 수행할 수 있습니다. |
| 여기 아래에 새 프로파일러가 있습니다. 그리고 이번에는 프로파일러에... 곡선이 다시 생겼습니다. 다시 노란색으로 강조 표시하겠습니다. |
| 그런 다음 pH, 온도, 압력 및 혼합 속도 매개변수가 있습니다. 여기에서 혼합 속도를 볼 수 있습니다. 꽤 평평해서 모양에 영향을 주지 않습니다. |
| 압력도 마찬가지지만 온도를 보기 시작하면 내 곡선의 모양, 주로 내 곡선의 성장 단계가 바뀌는 것을 볼 수 있습니다. pH를 변경하면 주로 곡선의 해당 단계에 영향을 줍니다. |
| 이것이 내가 프로세스 이해를 위해 취하는 접근 방식입니다. 그렇다면 프로세스 최적화는 어떻습니까? 프로세스 최적화란, |
| 표준화하려는 특정 곡선이 있는 경우 원하는 곡선을 얻기 위해 필요한 pH와 온도는 얼마입니까? 음, 가장 먼저 해야 할 일은 |
| 원하는 곡선이 보입니다. 그리고 여기 내 데이터 테이블의 맨 아래에 내가 찾고 있는 모양을 설명하는 몇 가지 데이터 포인트가 있습니다. 여기 내... |
| 그래프 빌더에서 그리고 이 경우, 저는 제가 정말 빠른 성장률을 보인 다음 매우 느린 충돌 비율을 갖는 곡선을 얻는 데 관심이 있습니다. |
| 그리고 이것은 기능 데이터 탐색기에 추가하기 정말 쉽습니다. 한 단계만 더 수행하면 됩니다. 내가 전에 한 일을 기억할 것입니다. |
| 그리고 한 가지 추가 단계는 해당 대상 함수를 로드하고 |
| 함수는 우리의 목표를 나타냅니다. 그리고 제가 지금 하고 있는 일은 이전에 했던 일을 복제하는 것뿐입니다. 직접 기능적 PCA를 수행하겠습니다. |
| 내 FPC를 2로 사용자 정의할 것이고 이것은...이러한 결과는 우리가 이전에 본 것과 정확히 일치합니다. 그런 다음 와서 내 기능적 DOE를 수행할 것입니다. |
| 그리고 여기에서 내 곡선을 강조 표시하겠습니다. 이제 목표 곡선이 확인되었으므로 바람직함을 극대화할 수 있습니다. 즉, pH 및 온도에 대한 설정점을 찾을 수 있습니다. |
| 목표 곡선과 가장 유사한 곡선을 제공하는 압력 및 혼합 속도. 그래서 있다 |
| 정말 빠른 성장 속도, 느린 충돌 속도. 그리고 나는 단지 필요로 할 것입니다 |
| pH가 7.2인 배지로 시작하고 발효기에서 37.9의 온도를 사용합니다. 이것이 제가 프로세스 이해 및 프로세스 최적화에 사용했을 접근 방식입니다. |
| 성장 곡선 또는 곡선 모양의 프로세스 모니터링에 대해 이야기할 때 몇 가지 다른 옵션이 있으며 여기에는 몇 가지 다른 생각이 있습니다. |
| 이것이 하고 싶은 일이라면 2020 프레젠테이션, 기능적 형태의 프로세스 변수에 대한 통계적 프로세스 제어를 확인하는 것이 좋습니다. |
| 이것은 녹음된 프레젠테이션이었고 정말 훌륭했습니다. 그들은 이러한 기능적 주요 구성 요소를 가져와 모델 기반 다변량 관리 차트에 넣는 것에 대해 이야기했습니다. |
| 그들은 훌륭한 시연을 하고...시연을 하고 그 접근 방식을 취하는 것의 몇 가지 단점에 대해서도 이야기했습니다. |
| 그래서 저는 여러분이 고려할 수 있는 또 다른 접근 방식에 대해 논의하고 싶습니다. 그것은 표준과의 통합된 차이점을 살펴보는 것입니다. |
| 따라서 이전과 마찬가지로 해당 목표 곡선을 볼 때 해당 목표 곡선을 표준으로 사용한 다음 각 배치에 대해 해당 표준과의 차이를 계산할 수 있습니다. 예를 들어 여기에서 |
| 여기에 파란색으로 표시된 한 배치의 곡선... 또는 빨간색으로 죄송합니다. 표준 곡선은 파란색이고 저는 그 차이를 계산하고 있습니다. 차이점은 아래에 있는 이 녹색 곡선에 있습니다. |
| 그리고 그 곡선 위에 적분하여 곡선 아래의 면적을 찾은 다음 통계적 프로세스 제어 프로그램에서 사용할 수 있습니다. 그리고 그 방법을 단계별로 빠르게 안내해 드리고자 합니다. |
| 여기 내 시간과 표준 탁도 값, 첫 번째 배치에 대한 탁도가 있으며 이 둘의 차이를 방금 계산했습니다. 그리고 나서 당신이 할 수 있는 것은 당신이 할 수 있다는 것입니다. |
| Fit Y by X를 사용하여 시간 경과에 따른 차이에 대한 스플라인 모델을 만든 다음 해당 모델에 대한 계수를 데이터 테이블에 저장할 수 있습니다. |
| 얻을 수 있는 것은 스플라인 모델을 구축하는 데 사용할 수 있는 X 값과 4개의 계수입니다. 스플라인 모델을 만드는 공식은 다음과 같습니다. |
| 그런 다음 이 공식을 적분합니다. 따라서 스크립팅을 통해 이 작업을 수행할 수 있습니다. 저는 수식 편집기에서 수행하기로 했습니다. 그래서 저는 이전 공식을 손으로 통합하여 여기에서 곡선의 각 조각에 대한 면적을 결정했습니다. |
| 따라서 이러한 영역 조각이 있으면 관심 있는 영역을 추가하기만 하면 됩니다. 그래서 나는 전체 곡선에 대한 면적을 할 수 있습니다. |
| 나는 또한 성장 단계와 죽음 단계에 대해서만 할 수 있습니다. 그리고 여기 여기에서 했습니다. |
| 내 테이블 변수에. 그래서 이제 내 총 통합 차이에 대한 변수, 성장 단계 동안의 통합 차이 및 사망 단계 동안의 통합 차이에 대한 변수가 있습니다. |
| 그리고 본질적으로 각 배치에 대해 진행하고 수행합니다. 여기에서는 모든 20개 배치에 대해 이 작업을 수행했으며 이제 해당 변수에 대한 통계적 프로세스 제어를 수행할 수 있습니다. |
| 따라서 이러한 접근 방식은 기능 데이터 탐색기를 사용하여 프로세스 모니터링과 프로세스 이해 및 프로세스 최적화를 살펴보기 위해 취했던 일종의 접근 방식입니다. 확인하시고 여러분에게도 좋은 선물이 되길 바랍니다. 감사합니다. |
