Vocero | Transcripción |
| Andrea Coombs, JMP | Hola, mi nombre es Andrea Coombs y soy ingeniero de sistemas en JMP. Así que hoy voy a contar la historia de mis años cuando trabajé en la industria, específicamente en la industria farmacéutica. |
| Así que esto es de lo que voy a hablar hoy en pocas palabras. |
| estrategias de afrontamiento para tener sentido |
| de datos de producción en tiempo real en la fabricación ... en la fabricación de vacunas. Y en esa presentación hablé de las formas de tratar los datos curvos. |
| que obtuvimos en tiempo real de los sensores en nuestra planta de fabricación. |
| Y hoy, de lo que quiero hablar son algunas de las nuevas herramientas que tenemos en JMP, específicamente el explorador de datos funcionales, y cómo eso hubiera hecho que todo este trabajo fuera pan comido. |
| Y profundizaré en formas de utilizar el explorador de datos funcional para la comprensión, optimización y supervisión de procesos. |
| Entonces, comencemos primero hablando sobre el proceso y las curvas con las que estábamos lidiando. Entonces, aquí a la izquierda, tenemos un ejemplo de un proceso hipotético de fabricación de vacunas. Comienza con la preparación del material. |
| En este caso, estamos haciendo la fermentación bacteriana en dos etapas, luego el producto se filtra, se absorbe y se cosecha. |
| y aguas abajo, el producto se centrifuga y, finalmente, se formulan varios sublotes de material juntos en un lote de material. |
| Y hoy me voy a centrar en las etapas de fermentación de este proceso. |
| Entonces, mientras las bacterias están fermentando, están creciendo y las curvas de crecimiento se ven como algo aquí a la derecha. Entonces, durante el crecimiento, hay una fase de retraso, hay una fase de crecimiento exponencial, una fase estacionaria y, finalmente, una fase de muerte logarítmica. |
| Y mientras estaba en esta empresa, estábamos pasando por una evolución de procesos bajo ... de comprensión de procesos, específicamente alrededor de estas curvas de crecimiento. |
| Así que comenzamos desde el principio, simplemente tomando cinco muestras de estas dos etapas de fermentación, enviando esas muestras a ... al laboratorio de control de calidad y esperando los resultados. Y tenemos |
| densidad óptica, por lo que podríamos decir la densidad de las células en esas muestras, y los resultados que obtuvimos se parecían a los que se ven aquí a la derecha. |
| Tenemos una distribución de resultados en esos puntos de tiempo específicos, pero realmente no sabíamos cómo eran las curvas de crecimiento. Podrían haberse parecido a cualquiera de las curvas que dibujé sobre esas distribuciones de abajo. Realmente no teníamos ni idea. |
| Pero luego implementamos sondas en línea, por lo que implementamos sondas de turbidez para que podamos ver realmente cómo se ven esas curvas de crecimiento. Sin embargo, tuvimos que vestirnos e ir a la suite de fabricación. |
| para descargar manualmente los datos, traerlos de vuelta a nuestros escritorios y luego tratar de averiguar qué íbamos a hacer con todos estos datos. |
| Y luego, finalmente, actualizamos nuestro PLC para que ahora pudiéramos tener todos los datos de todos nuestros sensores en nuestro escritorio, sin necesidad de vestirse y volver ... y volver a la fabricación; teníamos todos los datos |
| al alcance de la mano, lo cual fue genial. Pero a través de un análisis cuidadoso, pudimos determinar que teníamos demasiados datos y muchos datos con los que lidiar. |
| Asi que es por eso... |
| por eso hice esta presentación sobre estrategias de afrontamiento para dar sentido a los datos en tiempo real. |
| Trabajamos mucho para dar sentido a nuestros datos y quería compartir algunas estrategias que podría utilizar para dar sentido a sus datos en tiempo real. |
| Lo primero de lo que hablé fue de la parametrización de esas curvas de crecimiento. Así que teníamos estas curvas, pero queríamos poder observar el crecimiento y |
| entendemos lo que estaba pasando, así que los parametrizamos. En otras palabras, tomamos la pendiente del crecimiento, la pendiente de la tasa de muerte, estábamos mirando la duración del tiempo que las bacterias estuvieron en cada una de las fases. Estábamos mirando |
| la turbidez en ciertos puntos de tiempo, y ahora teníamos una gran colección de estos crecimientos ... lo que llamamos variables de crecimiento. |
| Y estas variables de crecimiento nos resultaron muy útiles. Los usamos para la comprensión del proceso, para la optimización del proceso y el monitoreo del proceso. |
| Ahora, el segundo grupo de estrategias de afrontamiento del que hablé fue solo el procesamiento de todos estos datos en tiempo real. |
| que tuvimos. Entonces, por supuesto, una vez que comenzamos a encontrar todos estos datos útiles, queríamos acceder a ellos de inmediato. |
| Entonces, lo primero que tuvimos que averiguar es todas nuestras fuentes de datos y asegurarnos de que pudiéramos tener acceso a todo lo que teníamos, no solo a los datos de nuestro historiador, sino a los datos de nuestro |
| Sistema ERP, en nuestros sistemas de gestión de información de laboratorio. Tuvimos que reunir todos esos datos en un solo lugar. Usamos un súper diario, así que esta es una especie de central de comando para acceder a todos nuestros datos y ejecutar todos nuestros scripts. |
| Esto fue realmente mucho trabajo que hicimos. Estábamos bastante orgullosos de nosotros mismos, pero ya sabes, en retrospectiva, |
| Sabiendo qué herramientas tenemos en JMP, específicamente ahora con JMP 16, hay un par de cosas que habrían facilitado mucho este trabajo. |
| Con las curvas de crecimiento, podríamos haber utilizado el explorador de datos funcional para analizar nuestras curvas. No tendríamos que parametrizarlos, |
| donde dejamos muchos datos atrás. Podemos usar todos los datos en el explorador de datos funcional. Y luego, por supuesto, la grabación de acciones en el registro mejorado, |
| eso habría facilitado mucho los esfuerzos en la creación de scripts. Pero hoy solo quiero centrarme en cómo habría utilizado el explorador de datos funcional. |
| Por supuesto, ya no tengo acceso a esos datos, así que simulé algunas curvas de crecimiento. Aquí tengo 20 curvas diferentes, que representan cierta variabilidad que se puede ver durante la fermentación bacteriana. |
| Y con el explorador de datos funcional, realmente se reduce a estos cuatro pasos. Lo primero es que vas a tomar tu colección de curvas. |
| y vas a suavizar todas las curvas individuales. El segundo paso es determinar una forma media y componentes de forma que describan toda la variabilidad que ve en estas curvas. |
| El siguiente paso es extraer la magnitud de los componentes de forma para cada curva. |
| Y una vez que tiene estos dos componentes de forma, en realidad se denominan componentes principales funcionales, |
| luego puede usarlos para analizar sus datos de la forma que desee, ya sea que sus curvas sean entradas a modelos, si son salidas a modelos, si desea realizar análisis de agrupamiento. |
| Realmente, ahora puede hacer cualquier tipo de análisis con estos componentes principales funcionales. En el ejemplo de hoy, todas mis curvas son salidas a un modelo, por lo que usaré DOE funcional |
| para echar un vistazo más de cerca a estas curvas. Así que entremos en JMP. |
| Aquí tengo mi tabla de datos, donde tengo los números de lote, tengo el tiempo en la turbidez, que forman las curvas. |
| Y también tengo un montón de parámetros de proceso. Y lo primero que quiero hacer es comprender un poco el proceso para ver si alguno de estos parámetros del proceso |
| están impactando la variabilidad que veo en las curvas. Así que vayamos al explorador de datos funcionales. Pondremos el tiempo como nuestra X, la turbidez es nuestra Y. Pondremos nuestra función de ID y luego tomaremos todos estos parámetros de proceso y los ingresaremos como variables suplementarias. |
| Ahora, el primer paso que debemos hacer es ajustar el modelo flexible a todas nuestras curvas y voy a usar PCA direccional ... funcional directo para hacer eso. |
| Aquí están esos modelos flexibles. El segundo paso, que JMP ya ha hecho por mí, es determinar la curva media |
| y nuestros componentes de forma. Y JMP ha identificado seis componentes de formas diferentes para mí. Aquí a la izquierda, puedo ver esos seis componentes de formas diferentes. |
| Y aquí está la cantidad acumulada de variabilidad que esos componentes de forma explican en mis datos. |
| Puede ver, solo con los dos primeros componentes de forma, ya estoy describiendo el 92% de la variabilidad en mi curva, lo cual es genial. |
| Y los componentes restantes de una forma aquí, los voy a excluir, porque probablemente solo estén explicando la variabilidad aleatoria en mis datos. Así que sigamos adelante y personalicemos nuestro número de FPC a dos y me quedo con esos dos componentes de forma. |
| Ahora, el siguiente paso es determinar la magnitud de cada uno de esos componentes de forma para cada una de esas curvas, y los tengo aquí en mi gráfico de puntuación. |
| En el eje X, tengo el Componente de forma 1, y en el eje Y, tengo el Componente de forma 2. |
| Debajo tengo un generador de perfiles donde puedo ver mi curva, que he resaltado aquí en amarillo, y puede ver cómo el primer componente de forma impacta la forma de la curva, |
| principalmente la fase de crecimiento de la curva, y el segundo componente de forma está impactando principalmente la fase de muerte de la curva. |
| Y echemos un vistazo más de cerca a un par de estos lotes. Echemos un vistazo al lote 15. Aquí está la curva para el Lote 15, y podemos ver la magnitud del Componente de forma 1 y la magnitud del Componente de forma 2. Puedo ingresarlos directamente en mi generador de perfiles. |
| Ahora puede ver que puedo reproducir la curva del Lote 15. Echemos un vistazo a uno más. Echemos un vistazo a este Lote 2, y puede ver que se ve muy diferente en comparación con el Lote 15 y la forma ... la magnitud de los componentes de la forma también es muy diferente. Entonces vamos |
| échale un vistazo a esos. |
| Y pueden ver ahora que hemos sido ... que también podemos replicar esa curva. |
| Entonces, conociendo la forma media, los dos componentes de forma que representan la variabilidad alrededor de las curvas, podemos usar ahora estas magnitudes de esos componentes de forma para hacer un análisis. |
| Y podemos hacer el ... cuando sus curvas son la respuesta en su modelo, puede hacer ese análisis aquí mismo en el explorador de datos funcionales. |
| Así que aquí abajo, tengo un nuevo generador de perfiles. Y esta vez en mi perfilador, tengo ... Tengo mi curva de nuevo, que volveré a resaltar en amarillo. |
| Y luego tengo los parámetros de pH, temperatura, presión y velocidad de mezcla. Puede ver aquí la velocidad de mezcla, es bastante plano, por lo que no afecta esa forma. |
| Lo mismo ocurre con la presión, pero cuando empiezo a mirar la temperatura, puedes ver que cambia la forma de mi curva, principalmente la fase de crecimiento de mi curva. Y a medida que cambio el pH, afecta principalmente a esa fase de mi curva. |
| Así que ese es el enfoque que tomaría para comprender el proceso. Bueno, ¿qué pasa con la optimización de procesos? Y por optimización de procesos, quiero decir, |
| ya sabe, si hay una curva en particular en la que queremos estandarizar, ¿cuál sería el pH y la temperatura que necesitaríamos para obtener la curva deseada? Bueno, lo primero que debe hacer es definir lo que |
| se parece a la curva deseada. Y solo tengo algunos puntos de datos aquí en la parte inferior de mi tabla de datos que describen esa forma que estoy buscando, y los verá aquí en mi ... |
| en el generador de gráficos. Y en este caso, estoy interesado en obtener una curva en la que tenga una tasa de crecimiento realmente rápida y luego una tasa de caída realmente lenta. |
| Y esto es realmente fácil de agregar al explorador de datos funcional. Solo tenemos que dar un paso adicional; Recordaré lo que hice antes. |
| Y el único paso adicional es cargar esa función de destino, identificar qué |
| La función representa nuestro objetivo. Y todo lo que estoy haciendo ahora es replicar lo que hice antes. Haré mi PCA funcional directo. |
| Voy a personalizar mis FPC a 2 y esto ... estos resultados son exactamente lo que estábamos viendo antes, y luego voy a subir y hacer mi DOE funcional. |
| Y nuevamente, resaltaré mi curva aquí. Y ahora que esa curva objetivo ha sido identificada, puedo maximizar la conveniencia, en otras palabras, puedo encontrar los puntos de ajuste para el pH y la temperatura. |
| y presión y velocidad de mezcla que me darán una curva que se parece más a la curva objetivo. Entonces alli esta |
| tasa de crecimiento realmente rápida, una tasa de caída lenta. Y solo necesitaría |
| Comience con medios con un pH de 7.2 y use la temperatura de 37.9 en mis fermentadores. Así que ese es el enfoque que habría utilizado para comprender y optimizar los procesos. |
| Cuando hablamos de monitoreo de procesos de curvas de crecimiento o formas de curvas, existen algunas opciones diferentes y tengo un par de ideas diferentes aquí. |
| Si esto es algo que desea hacer, le recomiendo encarecidamente que consulte esta presentación 2020, control estadístico de procesos para variables de proceso que tienen una forma funcional. |
| Esta fue una presentación que se grabó y es realmente genial. Hablaron de tomar esos componentes principales funcionales y ponerlos en gráficos de control multivariante impulsados por modelos. |
| Hicieron una gran demostración ... demostración de eso y luego también hablaron sobre algunos de los posibles inconvenientes de adoptar ese enfoque. |
| Entonces, quiero discutir otro enfoque que quizás desee considerar y que es mirar la diferencia integrada de un estándar. |
| Así que, al igual que antes, cuando estábamos mirando esa curva objetivo, podría usar esa curva objetivo como estándar y luego, para cada lote, calcular la diferencia con ese estándar. Entonces, por ejemplo, aquí tengo |
| una curva de un lote que se representa aquí en azul ... o lo siento, en rojo. La curva estándar está en azul y estoy tomando la diferencia y la diferencia aquí está en esta curva verde abajo. |
| Y puede simplemente integrar sobre esa curva para encontrar el área debajo de la curva, y luego podría usar eso en su programa de control de proceso estadístico. Y solo quiero guiarlo rápidamente a través de los pasos para hacerlo. |
| Así que aquí está mi tiempo y mis valores de turbidez estándar, mi turbidez para ese primer lote, y acabo de calcular la diferencia entre esos dos. Y luego lo que puedes hacer es |
| use ajustar Y por X para construir un modelo de spline para esa diferencia a lo largo del tiempo, y luego puede guardar los coeficientes para ese modelo en una tabla de datos. |
| Lo que obtendrá son sus valores X y los cuatro coeficientes que puede usar para construir el modelo spline. Y aquí está esa fórmula para construir el modelo de spline, |
| y luego integras esta fórmula. Para que pueda hacer esto mediante secuencias de comandos, elegí hacerlo en el editor de fórmulas. Así que acabo de determinar el área para cada segmento de la curva aquí simplemente integrando esa fórmula anterior a mano. |
| Entonces, una vez que tenga estos cortes de áreas, solo necesito sumar las áreas que me interesan. Entonces puedo hacer el área de la curva total. |
| También puedo hacerlo solo para la fase de crecimiento y solo para la fase de muerte, y lo he hecho aquí arriba. |
| en mi variable de tabla. Así que ahora tengo una variable para mi diferencia integrada total, para mi diferencia integrada solo durante la fase de crecimiento y mi diferencia integrada durante la fase de muerte. |
| Y, esencialmente, simplemente lo revisa y lo hace para cada uno de los lotes. Aquí he hecho esto para los 20 lotes, y ahora puede realizar su control de proceso estadístico en esas variables. |
| Así que esos son algunos de mis enfoques que habría tomado para analizar el monitoreo de procesos y también la comprensión y la optimización de procesos utilizando el explorador de datos funcionales. Espero que lo compruebes y que también sea pan comido para ti. Gracias. |
