スピーカー | トランスクリプト |
| ティファニー | まず、本日はご参加いただきありがとうございます。 さまざまなバイオプロセッシングの特徴を明らかにすることについて話します...見て...そして実際にpDNAに焦点を当て、部分的に重み付けされたブートストラップが実際にどのようにできるかを見ていきます |
| プロセスに追加します。 ですから、Philはプレゼンテーションの後半にJMPを通過するために私に加わります |
| 例として、いくつかの異なるテクニックを提供します。 |
| 使用する。 |
| CMC戦略、バイオテクノロジー、医薬品を市場に出す方法、プロセスを提供するためにFWBなどの新しいツールを使用する方法について説明します。 |
| それでは始めましょう。 したがって、化学製造管理の旅。 ですから、これは非常に長い道のりであり、それについて話し合います。 |
| なぜDOEなのか、なぜ予測モデリングなのか？ 薬を市場に出すのは非常に複雑です。 それは実験だけでなく、クリニックについてもです。 |
| そして、すべてが一緒に行くようにします。 そこで、システム思考のアプローチについても見ていきます。 そしてもちろん、そのバイオプロセシングを特徴づけ、次にフィルが行うケーススタディ |
| 話し合います。では、CMC経路はどのように見えますか？ これは一般的な例であり、毒物学から始まります。 つまり、効果はありません。 動作しますか。 |
| 人間以外の裁判で。 商業生産に至るまで、これにはプロセス開発など、多くのことが関わっています。 |
| ただし、ターゲット製品プロファイルも必要です。 あなたが開発している薬が実際に何をしたいですか？ そして、あなたが経験しているときにそれを理解することが重要です。 そしてもちろん |
| 品質目標の製品プロファイルも同様です。 これは...分子が規定どおりに機能するために必要な側面は何ですか？ |
| 次に、重要な品質属性を確認し、プロセスを実行して、...それは...グループです |
| プロセス開発、プロセスの特性評価、プロセスの認定、およびBLAがあるためです。 これらの各ステップには膨大な量の作業が必要です。 |
| また、さまざまなフェーズを経て、実際にこれらのデータを構築していることを確認したいと思います。 |
| グループ化。プロセスの特性評価とプロセスの認定を行う際には、過去の情報を可能な限り活用できるようにし、実際に短縮できるようにする必要があるためです。 |
| あなたのタイムライン。 「ティファニー、私はプロセスの特性評価をプロセス全体を通して行います」と言うかもしれません。 そして、私は「絶対に」と言います。 しかし、CMC経路に固有のプロセス特性は、規制の観点から必要なものです。 |
| ですから、おそらく誰もがニュースで聞いたことがあるでしょう、ワクチンと細胞と遺伝子治療。 今はとてもホットなテーマで、また |
| これまで治療できなかった新しい治療法を患者さんに提供します。 |
| したがって、細胞治療と遺伝子治療の2つの大きなグループには、さまざまな側面があります。 右。 ですから、免疫療法があります。 幹細胞があります。 |
| 再生医療をやっています。 ですから、想像してみてください。背中にダメージがあり、再生できるのです。 巨大な |
| このグループ化に重点を置きます。 しかし、遺伝子治療にも大きな重点が置かれています。 ウイルスベクター。 バクテリアベクターを使用していますか？ DNAを取得するにはどうすればよいですか |
| 患者の治療になるためにシステムに？ プラズマDNAはそれらの側面の1つであり、Philは最適化を行った素晴らしいケーススタディを持っています。 |
| つまり、「pDNAとは何ですか。 そして、それが今非常に興味深い遺伝子治療空間の一部であること以外に、なぜそれが重要なのですか？」 |
| まあ、実際には、それは...予防ワクチン、免疫剤、...準備...高免疫グロブリンの調製に使用できるということです |
| 癌ワクチン、治療ワクチン、遺伝子置換を行う。 または多分あなたは持っています |
| そうですね、まれな遺伝子変異を持っている子供です。 入って修理してもいいですか？ これらすべてがこの周りにあり、遺伝子治療技術が成長し続けるにつれて、 |
| 商業化に近づくにつれて規制は増え続け、データ量も増えます。 |
| 遺伝子治療と細胞治療が20年以上前に私たちがいた場所であると想像してみてください???細胞培養およびモノクローナル抗体 |
| 毎日新しいことを学び、「ああ、 |
| これはプラットフォームではありません。」 新しい機器が必要です。 新しい働き方が必要です。 細胞治療や遺伝子治療では、患者数は通常、他の適応症よりも少ないため、非常に小さいデータセットを分析できる必要があります。 |
| では、pDNAの次は何ですか？ もちろん、細胞治療と遺伝子治療の市場が成長し続けるにつれて、私たちはこの経路を継続していきます |
| 商業化に。 私たちはFDAと協力し、彼らと手を携えて取り組むことができる必要があります。なぜなら、これらは私たちがこれまでに行ったことのないことだからです。 使用していない原材料などを使用しています |
| ...他の薬の適応症。 ですから、やるべきことはたくさんあります。 これらの製品をpDNAのように作成できることも重要です。そうすることで、適切なベクターを取得できます。 |
| ボリュームだけでなく、品質の側面。 したがって、あなたが世界で最高の薬を持っていても、それを作ることができない場合、あなたはその薬を持っていません。 右？ あなたはそれを患者に届けることはできません。 |
| したがって、プロセスが十分に特徴付けられていることも確認する必要があります。 そして、先に述べたように、これらの兆候の多くは非常に小さいものです。 したがって、臨床試験も小規模です。 |
| そして同時に、患者はしばしば非常に、非常に病気です。 したがって、データを分析し、ニーズに迅速に対応できることが非常に重要です。 |
| 臨床的側面と私たちが商品化されたときの両方で。 私たちはこのような状況になりたくありません、何を推測しますか、私は薬を作ることができませんよね？ 作れるようになりたいです。 |
| また、製造は非常に重要なことです。 だから、あなたがニュースで気づいたかどうかわからない、たくさんありました |
| 拡張の発表。 もちろん、人々はワクチンの容量を拡大していますが、大きな動きの1つはpDNAです。 人々は数百万ドル、時には数十億ドルを費やしています |
| それらの製造サイトを増やすことで。 そして、あなたは、まあ、大丈夫、あなたはあなたの製造現場を増やすと言うかもしれません。 |
| それは素晴らしいことです。 しかし今、私はその製造現場に技術移転できる必要があります。 プロセスが堅牢であることを確認する必要があります...堅牢であり、それだけではありません |
| 転送してスケールアップすることはできますが、統計的な力があることを確認してください |
| 私は自分のプロセスが管理されていることを知っています。 私は2％の変動性を持っているかもしれませんが、私は常に2％の変動性を持っており、たとえばそれを特徴づけています。 |
| そして、ますます多くの容量がオンラインになり、不足もあるので、どこに製品を持ってきてそれらを考慮に入れるのか、それで製造のために早く設計するようなものです。 |
| また、パイプラインに複数の製品を含めることができます。 したがって、学習していて、その情報を取得して、これについて予測モデリングを実行できることを確認する必要があります。これは正確な製品ではない可能性がありますが、同様の属性があります。 |
| したがって、CMC戦略が臨床的側面をとるのと同じように、商業化への道は非常に統合されています。 |
| 分子を進行させるためにすべてが一緒になります。 私たちも持っています |
| それのシステムの側面について考える。 なんで？ 上流のスペースで何かをすると、生産性が向上する可能性があるためです。 |
| 200％としましょう。これは、「はい、マイルストーンを達成しました。 患者に届けることができます。」 しかし、私の下流または私の細胞の場合 |
| それが細胞であろうとタンパク質治療薬であろうと、回復は実際に製品を回復することはできません、そして私たちは製品を持っていません。 そのすべての作業は、やや戸外に投げ出されます。 だからシステムを持っている |
| アプローチ、ビジネス、サプライチェーン、QC、発見など、さまざまなグループすべてが関与していることを確認します。最終的に患者に提供するために、全員がテーブルに持ち込む知識を持っています。これは非常に重要です。 |
| それで、今からフィルに渡します。 私たちがどのように薬を開発したかについてもっと話したかったのですが、私たちのデータのいくつかを分析する方法を見てみましょう。 それで、フィル、私は今それをあなたに引き渡します。 |
| フィリップラムジー | さて、ティファニー、その議論に感謝します |
| ケーススタディとなるものの準備を整えます。 私はほとんどの時間をJMPで過ごし、JMPに存在する重要なツールのいくつかをデモンストレーションします。 あなたはそれがそこにあることさえ知らないかもしれません、 |
| これは、特にCMC経路、化学製造管理、および設計による品質のコンテキストで、プロセス開発にとって実際に非常に重要です。 |
| そして、プロセス開発の2つの重要な特徴であり、これは一般的に、 |
| プロセスを設計したいが、それを特徴づける必要がある場所です。 実際、動作領域全体を特徴づける必要があります。 |
| そしてもちろん、私たちは非常に望ましい生産ができるように最適化したいと思っています。 私たちがしばしば十分に話さないのは、これらの活動は本質的に予測に関するものであるということです。 |
| 将来のパフォーマンスを予測できる強力な予測モデルを構築する必要があります。 これは、規制当局にとって、特に後期開発において非常に重要な部分です。 あなたは実証する必要があります |
| 確実に製品を生産できること。 さて、プロセスの特性評価と予測のこの問題に関する重要な論文は、ジョージボックスと彼の非常に有名な論文でした |
| エンジニアだったコホートウィルソン。 |
| そして、その中で彼らは、今日人々が指摘しているように、応答曲面としての始まりについて話しました。 |
| そして、これの鍵は、彼らが完全な二次モデルと呼んだものを使った彼らの仕事です。 さて、それは何ですか？ さて、それは主な効果を含むモデルです、 |
| すべての双方向の交互作用と2次効果。 そして、これはおそらく、特に生産のためのプロセスモデルを構築するためのゴールドスタンダードです。 |
| しかし、人々が気付いていないかもしれないことは、最適化に適しています。 これらは、これらの未知の応答関数に対する優れた2次近似です。 あまりよく理解されていないのは、設計領域全体にわたって、応答曲面への近似が不十分であることが多いということです。 |
| そして1996年に故ジョン・コーネルともちろん多くの人々が知っているように、ダグ・モンゴメリーは本当に過小評価されている論文を発表しました。 |
| そして、その論文は、完全な二次モデルが設計空間を特徴づけるにはしばしば不十分であるという事実を提起しました。 科学者の観点からそれを考え、これらの生化学物質がどれほど動的であるかを考えてください |
| 多くの場合、プロセスはそうです。 言い換えると、さまざまな領域で顕著な複合曲率を持つ応答曲面につながる非線形性が大量にあります。 |
| そして、完全な二次モデルは単にそれを扱うことができません。 したがって、彼らが提案したのは、その設計を拡張することであり、2次式の線形、2次式の線形、さらには |
| 二次相互作用による二次。 これらのモデルは、完全な2次モデルよりも近似設計領域を実行することがわかります。 すぐにそれをあなたに示すつもりです。 |
| しかし、彼らには問題がありました。 第一に、従来の統計家はこのアプローチを好まなかった。それは最近劇的に変化しています。 |
| しかし、大きな中央複合設計でさえもモデルに追加できるこれらの用語はたくさんあります |
| 超飽和状態になります。 どういう意味ですか？ これは、未知数pがさらにあることを意味し、次に観測値があり、モデルに適合します。 機械学習と予測モデリングの新しい手法の時代では、最近では実際には制約ではないことがわかりました。 |
| したがって、これから行うことは、部分加重ブートストラップと呼ばれるものを使用することです。 これは、JMPProで実行できます。 |
| そして、応答曲面を予測するモデルを構築するためのモデル平均化と呼ばれるもので、実際にはこれらの大きな拡張モデルを使用します。 |
| さて、これらの予測モデルを構築しようとするとき、たとえばデザインによる品質については、注意しなければならないことがいくつかあります。 1、 |
| 再び1996年に、機械学習のパイオニアの1人である故Leo Briemanが論文を書きましたが、これも必要なほど高く評価されていません。 そして彼は指摘した |
| 予測に使用するこれらすべてのモデル構築アルゴリズム（および、前方選択、すべての可能なモデル、最良のサブセット、なげなわを含む） |
| 本質的に不安定です。 どういう意味ですか？ 不安定であるということは、データの小さな摂動がモデルを大きく変化させる可能性があることを意味します。 |
| そこで彼はこれを指摘するためにいくつかの作業を行い、戦略を提案しました。 |
| モデルのフィッティングと、シミュレーションの実行ごとにデータを混乱させることで、多数のモデルをフィッティングして平均化することができます。」 そして彼はそれが可能性を秘めていることを示しました。 |
| 彼はその時代にそれを行うための多くのツールを持っていませんでした。 しかし、今日はJMP Proでお見せします。たくさんのツールがあり、Briemanのアイデアが実際には非常に優れていることをお見せします。 |
| これは現在、機械学習と深層学習で一般的に受け入れられている方法であり、アンサンブルモデリングとモデル平均化のアイデアです。 |
| ちなみに、私は数年前にJMPの段階的なプラットフォームで、ジョン・サルがモデル平均化の形式を開始したことを簡単に指摘します。 それはJMPの隠された宝石です。 うまく機能し、両方のバージョンのJMPで利用できますが、より包括的なソリューションを提供します |
| これはJMPProで実行できます。 そして、このソリューションは、自動検証を使用した部分加重ブートストラップと呼ばれ、それが何を意味するのかを説明します。 |
| 予測モデルを構築する場合、課題があります。 モデルに適合するトレーニングセットが必要です。次に、追加のトレーニングセットが必要です。 |
| または、データの検証セットを使用してモデルをテストし、モデルがどの程度適切に予測されるかを確認します。 ええと、DOEは単にこれらの追加のトライアルを利用できません。 実際、ブリーマンはこの点で立ち往生していた。 |
| 検証エラーを実際に生成する方法はありません。 さて、2017年にディスカバリーフランクフルトで、JMPの統計調査の責任者であるクリスゴトワルトと私 |
| 講演と、部分的に重み付けされたブートストラップと自動検証と呼ばれるものを紹介しました。 自動検証とはどういう意味ですか？ つまり、これは見えないでしょう |
| 直感的に、トレーニングセットを検証セットとしても使用します。 あなたは、「まあ、それはクレイジーだ。 同じデータです。」 |
| しかし、このテクニックには、それを機能させる秘訣があります。 元のデータを取得してコピーし、自動検証セットと呼びます。 |
| 次に、特別な方法で、観測値にランダムな重みを割り当て、重み付けを行います |
| トレーニングセットと自動検証セットの間の反相関を駆動するように。 そして、私はこれをすぐにあなたに説明するつもりです。 |
| わかった。 ちなみに、私たちは博士課程の学生であるトレント・レンプキスを監督してきました。彼は昨年、徹底的なシミュレーションでこの方法を幅広く研究してきました。 |
| また、この方法がDOEから予測モデルを構築するための従来のアプローチよりも優れた結果を実際にもたらすことを示す論文を公開します。 |
| それで、ここで先に進んで、ケーススタディについて話します。 そしてこれはティファニーが言ったことです |
| pDNA。 これは非常にホットなトピックであり、pDNAメーカーは大きな成長分野と見なされており、バイオテクノロジーの世界では40％もの大きな成長が見込まれています。 |
| それが使用されるすべての新しい治療法がオンラインになるため、毎年。 |
| そしてこの場合、これはバイオテクノロジーの世界では非常に一般的ですが、予測モデルを構築するために使用できる既存のデータは実際にはありません。 |
| ですから、それは私たちを実験計画法に非常に正しく導きます。 そしてこの場合、私たちは決定的なスクリーニングデザインを使用するつもりです。 |
| これらは、JMPのBradJonesとミネソタ大学のChrisNachtsheimのすばらしい発明です。 |
| 非常に効率的であり、実験のための時間とリソースが限られているバイオテクノロジーの世界の人々に常にそれらを強くお勧めします。 |
| つまり、基本的には、バイオプロセスがどのように見えるかの概略図を示しているだけです。 そして、発酵ステップに焦点を当てます。 |
| しかし実際には、ティファニーがほのめかしていたように、このプロセスの上流と下流の両方の側面を調べます。 |
| pH、溶存酸素パーセント、誘導温度。 これが、発酵槽を取得するために設定した温度です。 |
| 遺伝子組み換えE。 プラスミドの排出を開始するコリ。 そして、プラスミドとは何ですか？ まあ、それらは本当に非染色体DNAです。 |
| そして、それらは治療法、特に遺伝子治療法で多くの用途があり、細菌に見られる通常の染色体DNAとは別のものです。 |
| したがって、私たちの目標は、これらの変更されたEを取得することです。 できるだけ多くのpDNAを送り出すためのコリ。 それで私たちは裁判をしました。 これは実際の実験です。 また、DSDを初めて使用したため、より大きく、はるかに大きな従来の中央複合設計も実行しました。 そして、これを個別に行いました。 |
| そして、私がやろうとしているのは、今日の作業です。CCDを検証セットとして使用し、DSDの自動検証を使用してモデルを適合させます。 それがどうなるか見ていきます。 では、JMPに切り替えます。 |
| そして、データテーブルを開きます。 これがDSDデータです。 このデータセットですべてのモデリングを行います。 ちなみに、40の予測モデルを15に適合させます |
| 機械学習技術を使用して設計を実行します。 そして、多くの人は、これらのことができるという事実に頭を悩ませる必要があります。実際には、機械学習とディープラーニングで常に行われています。 |
| ですから、これを簡単にするためのアドインがいくつかあります。 JMPProは必要です。 それらの1つは、テーブルを設定するアドインです。 これはJMPのマイケルアンダーソンによるものです。 |
| だから私はあなたに何が起こるかをお見せするつもりです。 アドインはJMPコミュニティで利用できます。 |
| したがって、元のデータが使用されていることに注意してください。 |
| 検証セットを作成しました。 そして、私が言ったように、 |
| この重み付けスキームもあり、これらの重みはランダムに生成されます。モーメンでわかるように、シミュレーションスタディを実行し、すべての重みを常に変更します。 |
| 走る。そして、これには、モデリングの何千もの反復を再び生成する効果があります。 そして、レオ・ブリーマンが警告したように、あなたも見るでしょう |
| 応答を混乱させます（データ構造は変更しません）。モデルに大きな変動が見られます。 だから私は先に進んで、これをあなたのために非常に素早く説明するつもりです。 |
| だから私はモデルに合うように行くつもりです。 |
| そして、重みが格納されている場所をJMPに通知する必要があります。 これには、一般化された回帰を使用することを強くお勧めします。 |
| これは簡単なデモなので、順方向選択を使用しますが、これは自動検証を使用した非常に一般的な手順SWBです。 多くの異なる予測またはモデリングシナリオで使用できます。 フォワードセレクションを行います。 さて、私は1つのモデルに適合します。 |
| そして、私はに降りてきます |
| 見積もりの表。 右クリックして[シミュレーション]を選択します。 |
| そして、いくつかのシミュレーションを実行したいと言います。試行ごとに、重みを交換したいと思います。 新しい重みを生成したい。 ちなみに、これはデモなので、10回だけやります。 |
| 結果があります。 そして、あなたは私たちが10のモデルを持っているのを見ることができます、そしてそれらのすべてはかなり異なっています。 |
| 繰り返しになりますが、実際には、これらの反復を何千回も実行します。 そして、後でお見せします、 |
| 次に、これらの係数を取得して、それらを平均します。 ちなみに、ゼロが表示されている場合、それはターンがモデルに入っていないことを意味します。 さて、これから行うのは、別のアドインを表示することです。 |
| だから私はこれのいくつかを閉じるつもりです、それで私たちは画面をすっきりさせておきます。 |
| Predictumで開発したもう1つの追加機能があります。 そして、これは、派閥加重ブートストラップを実行するだけでなく、モデルの平均化も開発します。 言い換えると、 |
| 先ほどお見せしたことですが、モデルの平均化を行う場合に使用できるアドインは、一種の独自のものです。 わかった。 手作業が多いだけです。 |
| そこで、Predictumアドインを使用します。 テーブルを作成してから、実際に非常にすばやく実行します。アドインがどのように機能するかを示すモデルを見つけるために、標準の応答曲面モデルを使用します。 |
| pDNAを予測したい。 そして、genregを使用します。 |
| 繰り返しになりますが、例として、先に進み、前向き選択を使用します。 |
| 繰り返しになりますが、実際には何千回もの反復を行いますが、実行するのは10回だけです。 |
| [実行]をクリックします。 |
| わかった。 |
| フィリップラムジー | 繰り返しになりますが、これは簡単です。これは本当に申し訳ありませんが、3つの講演が1つにまとめられていますが、すべての要素がQbDフレームワークに組み込まれています。 だから私はモデルを持っています。 これらは平均化された係数です。 繰り返しますが、私は10回しか実行していません。 予測式をデータテーブルに保存します。 |
| そして、画面をできるだけすっきりさせておくようにします。 |
| だから私の公式があります。アプリはあなたのためにすべての平均化を行ったので、あなたはそれをする必要はありません。 |
| そして、公式があります。 そして、あなたが気付いていないかもしれないちょっとしたトリックですが、これは厄介な数式です。特に、この数式を他のデータテーブルにデプロイしたい場合はそうです。 数式エディタには、simplifyと呼ばれる非常に優れた関数があります。 |
| を参照してください。方程式が単純化され、他のデータセットへの展開がはるかに容易になります。 さて、これは方法の実例でした。 |
| そして、私が今やろうとしていることは、何が起こったのかを示すことです |
| 手順全体を実行したとき。 つまり、これはデータテーブルです。 そしてここで、DSDとCCDデータバンクが組み合わされていることに気付くでしょう。 |
| また、検証データでのモデルのパフォーマンスに焦点を当てたいため、行状態変数を使用してDSDデータを削除または除外しました。 この場合も、モデルはDSDにのみ適合します。 |
| これが私の41の用語です |
| モデル。これは、数千回の反復で平均化されたモデルで行われる拡張された完全な2次式です。 そして比較のために私は同じプロセスを繰り返しました |
| はるかに小さい21項の完全2次モデルの場合。 では、予測に関してどのようにしたのでしょうか。 それでは、予測されたプロットによる実際のプロットをいくつか紹介します。 |
| ですから、これは真の検証テストであることを忘れないでください。 CCDは別に行われます。 大腸菌株の新しいバッチを含む、原材料のさまざまなバッチ。 |
| いくつかの発酵槽は異なっていて、それらは完全に異なったオペレーターでした。 ですから、バイオテクノロジーで働いている人にとって、これはあなたが得ようとしているのと同じくらい難しい予測の仕事です。 |
| この場合も、モデルはDSDに適合し、左側は41項モデル、拡張モデルであり、予測誤差の全体的な標準偏差は約67です。 |
| 右側でも、パフォーマンスの向上に役立つモデル平均化を使用しました。21項の完全な二次モデルに適合し、予測誤差が約70であることがわかります。 |
| 実際、モデルの平均化を使用しないと、多くの人が完全な2次の有用な2次モデルを実行しないため、パフォーマンスが大幅に低下します。 わかった。 |
| それで私はモデルを持っています。 私はそれで何をしますか？ さて、私たちの目標は通常、最適化と特性評価です。 それでは、プロファイラーを開きましょう。 私は実際にあなたのためにこれをします。 |
| それで、プロファイラーとグラフメニューに行きます。 最高のモデルを使用します。 そして、それはPredictumアドインを使用しているものです。 ちなみに、このアドインに興味がある場合は、 |
| ベータテストを行い、Predictumに連絡し、Wayne @ predictum.comに電子メールを送信するだけで、彼は喜んであなたと話をすることができると確信しています。 だから私は行くつもりです... |
| モデルに行き、次に望ましさを使用して、 |
| 生産を最大化する設定を見つけるつもりです。 ところで、 |
| これは彼らが歴史的に得ていた生産に対する大きな改善であり、それは私たちが見るべき設定を私たちに与えます |
| パフォーマンスの向上については、ちなみに、これらはやや直感的ではありませんでしたが、複雑なシステムでは通常そうです。 |
| 物事は、あなたが思っているほど直感的ではありません。 そして、特にCMC経路で後期開発を行っている場合は、非常に重要なこともあります。 |
| つまり、彼らはあなたにインプットの重要性を評価してもらいたいのです。どのインプットが重要なのか。 |
| 変数の重要性を評価します。 繰り返しになりますが、技術的な詳細については詳しく説明しません。 |
| ですから、それは通過し、応答の変動の観点から、送り速度がはるかに重要であることを示しています。 それは必ずしも人々にとって直感的ではありませんでした。 そして2番目は溶存酸素のパーセントです。 |
| それで、それはあなたに何を伝えますか？ 第一に、これらの変数を非常にうまく制御できるか、または |
| バリエーションがたくさん。 さて、この特定のケースでは、私は品質属性に批判的ではありません。 利用できるものはありませんでした。 |
| つまり、私たちが持っているものはビジネス属性にとって重要であり、それはpDNAの生産ですが、デザインスペースを完全に特徴づけるためにJMPでできることは他にもあります。 私がしたのは最適化だけでしたが、それは特性評価ではありません。 したがって、プロファイラーには別のすばらしいツールがあります。 わかった。 |
| それはシミュレーターと呼ばれます。 そして、これは本来あるべきほど使用されていません。 だから私がやったことは、入力の分布を定義したことです。 |
| つまり、入力が変化することを期待しています。 これはFDAが知りたがっているようなものです。 入力としてのプロセスのパフォーマンスはどうなりますか。 特にスケールアップすると、完全に制御されたプロセスはありません。 |
| ちなみに、私はそれを考えていますが、これらのより複雑なモデル、これらの拡張された完全な二次モデル、 |
| 経験から、完全な2次モデルよりもスケールアップが優れていることがわかります。 これが、これらのより複雑なモデルに適合するもう1つの理由です。 |
| そのため、シミュレーターには、シミュレーション実験と呼ばれる優れたツールがあります。 そしてそれが何をするか、それは私たちがスペース充填設計と呼ぶものを行います。 ポイントを設計領域全体に分散します。 だから私は256回の実行をしたいと言うつもりです。 |
| そして、5000回のシミュレーションを実行し、各ポイントで平均標準偏差と全体的な欠陥を計算します。 右。 |
| したがって、これは実際にはかなり迅速に進みます。 そして、出力がどのように見えるかを示しています。 そして繰り返しますが、私はすでにこれを行っています。 |
| したがって、時間の都合上、別のデータテーブルを開くだけです。 |
| もう一方を最小化します。 |
| これがシミュレーション研究の結果です。 |
| 詳細については詳しく説明しませんが、モデルをメインに適合させ、モデルを標準偏差に適合させ、モデルを全体的な欠陥率に適合させます。 |
| また、一部の領域の欠陥率は低く、一部の領域は比較的高く、これらはシミュレーションデータで一般的に使用されるガウス過程モデルと呼ばれるものです。 では、これらで何ができるのでしょうか |
| モデルとこれらのシミュレーション結果で？ 繰り返しになりますが、特性評価は重要です。 それでは、簡単なアイデアをお伝えしましょう。 |
| これが3次元散布図です。これらは非常に重要であるため、送り速度とパーセントDOを調べています。 そして、プロットされたポイントは欠陥率によって重み付けされます。より大きい |
| 球はより高い欠陥率を意味します。 だからあなたがこれを見回すと。 絶対に運営したくない地域がいくつかあります。 |
| そのため、私たちはデザインスペースの特徴を明らかにし、より安全な地域を見つけています。 そしてもちろん、私はこれを行うことができます |
| 他の変数を選択するだけで、いずれの場合も、本当に避けたい他の地域が表示されます。 これでもっとできることはありますが、それがポイントだと思います。 私たちもできるところ |
| 先に進み、プロファイラーをもう一度使用して、再最適化します。 |
| しかし、私は別の方法でそれを行うつもりです。 このようにして、平均pDNAを最大化したい。 |
| そして、私は二重の応答をしたいです。 そして、全体的な不良率を最小限に抑えたいと思います。 |
| 繰り返しになりますが、私は先に進み、望ましさを使用します。 |
| これには数分かかります。 これらは、私たちが最適化している非常に複雑なモデルです。 |
| そして注意してください、それが現れて言います |
| 高い送り速度、高いDO、 |
| 中性pHと誘導に近い。 ちなみに、誘導OD 600が何であるかを知りたい場合、それは微生物量の尺度です |
| そして、特定の質量に達したら（それが何であるかは誰にもわからないので、私たちが実験を行う理由です）、次に物質の温度を上げます。 そしてこれは実際に |
| Eを強制します。 コリはpDNAまたはプラスミドの排出を開始し、これを行うように設計されています。 したがって、これを誘導温度と呼びます。 わかった。 さて、設定で注意してください、 |
| 不良率が低いことが保証されており、全体的な最適化応答はそれほど高くありませんでした。 ただし、欠陥が発生しにくいプロセスも用意することを忘れないでください。 |
| さて、この時点で、 |
| すぐに最後まで行きます。 |
| スライド。 したがって、すべてがこれらのスライドに含まれています。 それらはすべてアップロードされました |
| に |
| JMPコミュニティ。 そしてこれの最後にエグゼクティブサマリーがあり、基本的に私たちがあなたに示しているのはそのプロセスと製品開発です |
| CMC経路（およびその一部は設計による品質）を使用するには、全体的または統合されたアプローチが必要です。 多くのシステム思考がそれに入る必要があります。 |
| プロセスの設計と開発は本質的に予測の問題であり、それが機械学習と深層学習の領域です。 それはあなたが思うかもしれないことではありません。建物はいつものようにビジネスではありません |
| 特に予測のための統計のモデル。 部分的に重み付けされたブートストラップ自動検証とモデル平均化を示しました |
| 非常に効果的で正確な予測モデルを生成できます。 また、繰り返しになりますが、コーネルとモンゴメリーのこれらのより複雑な拡張モデルは実際には非常に重要であることを強調したいと思います。 |
| それらは、実際にスケーリングが向上し、より優れた特性評価を提供します。 それでは、ありがとうございました。プレゼンテーションを終了します。 |
