Altavoz | Transcripción |
| Andrea Coombs, JMP | Hola, mi nombre es Andrea Coombs y soy ingeniera de sistemas en JMP. Así que hoy les 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 estar hablando 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 discutí formas de tratar con datos curvos. |
| que estábamos obteniendo 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 habría hecho que todo este trabajo fuera pan comido. |
| Y analizaré formas de utilizar el explorador de datos funcionales para la comprensión de procesos, la optimización de procesos y la supervisión de procesos. |
| Entonces, primero comencemos hablando sobre el proceso y las curvas con las que estábamos tratando. 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 una 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 múltiples sublotes de material juntos en un solo 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, atravesábamos una evolución del proceso bajo... de la comprensión del proceso, específicamente en torno a estas curvas de crecimiento. |
| Así que comenzamos desde el principio, simplemente tomando cinco muestras de estas dos etapas de fermentación, enviándolas al laboratorio de control de calidad y esperando los resultados. y tenemos |
| densidad óptica, por lo que pudimos saber la densidad de las células en esas muestras, y los resultados que obtuvimos se parecían a lo que 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 a continuación. Realmente no teníamos ninguna idea. |
| Pero luego implementamos sondas en línea, así 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 a donde ahora podemos tener todos los datos de todos nuestros sensores en nuestro escritorio, sin necesidad de vestirnos 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 que teníamos 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 tomar para dar sentido a sus datos en tiempo real. |
| Lo primero de lo que hablé fue de parametrizar esas curvas de crecimiento. Así que teníamos estas curvas, pero queríamos poder echar un vistazo al crecimiento y |
| entender lo que estaba pasando, así que los parametrizamos. En otras palabras, tomamos la pendiente del crecimiento, la pendiente de la tasa de mortalidad, observamos el tiempo que la bacteria estuvo en cada una de las fases. estábamos mirando |
| la turbidez en ciertos puntos de tiempo, y ahora teníamos una gran colección de este crecimiento... lo que llamamos variables de crecimiento. |
| Y estas variables de crecimiento nos fueron muy útiles. Los usamos para la comprensión de procesos, para la optimización de procesos y la supervisión de procesos. |
| Ahora, el segundo grupo de estrategias de afrontamiento del que hablé era solo el procesamiento de todos estos datos en tiempo real. |
| que tuvimos. Entonces, por supuesto, una vez que comenzamos a encontrar útiles todos estos datos, 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 datos de nuestro historiador, sino que teníamos 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, por lo que 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 usado el explorador de datos funcionales para analizar nuestras curvas. No tendríamos que parametrizarlos, |
| donde estábamos dejando atrás una gran cantidad de datos. Podemos usar todos los datos en el explorador de datos funcionales. Y luego, por supuesto, el registro de acciones en el registro mejorado, |
| eso habría facilitado mucho los esfuerzos en la creación de secuencias de comandos. Pero hoy solo quiero centrarme en cómo habría usado el explorador de datos funcionales. |
| 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 podrías ver durante la fermentación bacteriana. |
| Y con el explorador de datos funcionales, realmente se reduce a estos cuatro pasos. Lo primero es que vas a llevar 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 tienes estos dos componentes de forma, en realidad se llaman componentes principales funcionales, |
| luego puede usarlos para la forma en que desee analizar sus datos, si sus curvas son entradas para los modelos, si son salidas para los modelos, si desea realizar un análisis de agrupamiento. |
| Realmente, puedes hacer cualquier tipo de análisis ahora con estos componentes principales funcionales. En el ejemplo de hoy, todas mis curvas son salidas a un modelo, así 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 afectando la variabilidad que estoy viendo en las curvas. Así que entremos en el explorador de datos funcionales. Pondremos el tiempo como nuestra X, la turbidez es nuestra Y. Pondremos nuestra función ID y luego tomaremos todos estos parámetros de proceso y los ingresaremos como variables suplementarias. |
| Ahora, el primer paso que tenemos que hacer es ajustar el modelo flexible a todas nuestras curvas y voy a usar direccional... PCA 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. |
| Pueden ver, solo con los primeros dos 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. |
| A continuación, tengo un generador de perfiles donde puedo ver mi curva, que he resaltado aquí en amarillo, y puedes ver cómo el primer componente de la forma afecta 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 para el Lote 15. Echemos un vistazo a uno más. Echemos un vistazo a este Lote 2, y pueden 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 |
| echa un vistazo a esos. |
| Y pueden ver ahora que hemos estado... podemos replicar esa curva también. |
| 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... 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 perfilador nuevo. Y esta vez en mi perfilador, tengo... tengo mi curva nuevamente, la cual resaltaré en amarillo nuevamente. |
| Y luego tengo los parámetros de pH, temperatura, presión y velocidad de mezclado. Puede ver aquí la velocidad de mezcla, es bastante plana, por lo que no afecta esa forma. |
| Lo mismo para la presión, pero cuando empiezo a observar la temperatura, pueden ver cómo cambia la forma de mi curva, principalmente la fase de crecimiento de mi curva. Y a medida que cambio el pH, afecta principalmente esa fase de mi curva. |
| Así que ese es el enfoque que tomaría para la comprensión del proceso. Bueno, ¿qué pasa con la optimización de procesos? Y por optimización de procesos, quiero decir, |
| ya sabes, si hay una curva particular que queremos estandarizar, ¿cuál sería el pH y la temperatura que necesitaríamos para obtener esa curva deseada? Bueno, lo primero que debe hacer es definir qué |
| parece la curva deseada. Y solo tengo algunos puntos de datos aquí en la parte inferior de mi tabla de datos que describen la forma que estoy buscando, y los verán 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 muy rápida y luego una tasa de colapso muy lenta. |
| Y esto es realmente fácil de agregar al explorador de datos funcionales. Solo necesitamos hacer un paso adicional; Voy a recordar lo que hice antes. |
| Y el único paso adicional es cargar esa función de destino, identificar qué |
| 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 se identificó esa curva objetivo, puedo maximizar la conveniencia, en otras palabras, puedo encontrar los puntos de referencia para el pH y la temperatura. |
| y la presión y la 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 |
| empezar con medios con un pH de 7,2 y usar la temperatura de 37,9 en mis fermentadores. Así que ese es el enfoque que habría utilizado para la comprensión y optimización de procesos. |
| Cuando hablamos de monitoreo de procesos de curvas de crecimiento o formas de curvas, existen algunas opciones diferentes y tengo un par de pensamientos diferentes aquí. |
| Si esto es algo que desea hacer, le recomiendo que consulte esta presentación de 2020, control estadístico de procesos para variables de proceso que tienen una forma funcional. |
| Esta fue una presentación que fue grabada y es realmente genial. Hablaron de tomar esos componentes principales funcionales y ponerlos en gráficos de control multivariados basados en modelos. |
| Hicieron una gran demostración... demostración de eso y luego también hablaron sobre algunos inconvenientes de adoptar ese enfoque. |
| Así que quiero discutir otro enfoque que quizás desee considerar y que es ver la diferencia integrada de un estándar. |
| Entonces, 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 de ese estándar. Entonces, por ejemplo, aquí tengo |
| una curva de un lote que se representa aquí en azul... o perdón, 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 bajo la curva, y luego podría usar eso en su programa de control de procesos estadísticos. Y solo quiero guiarte rápidamente a través de los pasos de cómo 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 entonces lo que puedes hacer es que puedes |
| use ajuste Y por X para construir un modelo 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 la fórmula para construir el modelo spline, |
| y luego integras esta fórmula. Entonces puede hacer esto a través de secuencias de comandos, elegí hacerlo en el editor de fórmulas. Así que acabo de determinar el área para cada porción de la curva aquí simplemente integrando la fórmula anterior a mano. |
| Entonces, una vez que tengo estos sectores de áreas, solo necesito sumar las áreas que me interesan. Entonces puedo hacer el área para 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, solo pasa y hace eso para cada uno de los lotes. Aquí he hecho esto para los 20 lotes, y ahora puede hacer su control de proceso estadístico en esas variables. |
| Esos son algunos de mis enfoques que habría tomado para observar el monitoreo de procesos y también la comprensión y optimización de procesos usando el explorador de datos funcionales. Espero que le eches un vistazo y que sea pan comido para ti también. Gracias. |
