揚聲器 | 成績單 |
| 蒂芙尼 | 首先，感謝您今天加入我們。 我們將討論表徵不同的生物處理……看到……並真正關注 pDNA，看看分數加權自舉如何真正 |
| 添加到您的流程中。 因此，Phil 將在演示文稿的後半部分與我一起參加 JMP |
| 例如，以及給出一些不同的技術。 |
| 要使用的。 |
| 我將談論 CMC 戰略、生物技術、我們如何將藥物推向市場以及我們如何使用 FWB 等新工具來交付我們的流程。 |
| 所以讓我們開始吧。 因此，化學製造控制之旅。 所以這是一個很長的旅程，我們將討論這個問題。 |
| 為什麼是 DOE，為什麼是預測建模？ 將藥物推向市場非常複雜。 這不僅與實驗有關，還與診所有關。 |
| 並讓一切順利進行。 因此，我們還將研究系統思維方法。 然後，當然，描述生物工藝的特徵，然後是菲爾將要進行的案例研究 |
| 討論。那麼 CMC 通路是什麼樣的呢？ 這是一個普遍的例子，我們從毒理學開始。 所以那是看確實沒有任何功效。 行得通嗎。 |
| 在非人類試驗中。 一直到商業製造，其中涉及到很多事情，例如工藝開發。 |
| 但是您還必須有一個目標產品配置文件。 你想要你正在開發的藥物實際做什麼？ 在你經歷的過程中理解這一點很重要。 然後當然是 |
| 質量目標產品簡介也是如此。 這是……為了使分子按規定工作，需要哪些方面？ |
| 然後我們查看關鍵質量屬性，然後完成整個過程，所以它是......它是一個......它是一個組 |
| 因為您擁有自己的工藝開發、工藝表徵、工藝鑑定和 BLA。 每一步都有大量的工作要做。 |
| 我們還希望確保在您經歷不同階段時，您實際上是在構建這些數據 |
| 分組。因為當您進行工藝表徵和工藝鑑定時，您希望確保可以盡可能多地利用過去的信息，這樣您實際上已經縮短了 |
| 你的時間表。 你可能會說，“蒂芙尼，我一直在進行過程表徵，貫穿整個過程。” 我會說，“當然。” 但從監管的角度來看，我們需要特定於 CMC 途徑的過程表徵。 |
| 所以每個人都可能在新聞中聽說過疫苗、細胞和基因療法。 現在是一個非常熱門的話題，也是 |
| 為我們以前無法治療的患者帶來新的治療方法。 |
| 因此，在細胞療法和基因療法這兩大類中，它有不同的方面。 正確的。 所以我們有免疫療法。 我們有乾細胞。 |
| 我們正在做再生醫學。 所以想像一下，你知道，你的背部受傷並且能夠再生。 有巨大的 |
| 強調這個分組。 但也非常重視基因療法。 病毒載體。 我們使用細菌載體嗎？ 我們如何獲得 DNA |
| 進系統是為了給病人做個治療？ 好吧，血漿 DNA 就是其中之一，Phil 有一個驚人的案例研究，他們在其中進行了優化。 |
| 所以你可能會說，“什麼是 pDNA。 為什麼它很重要，除了，好吧，它是基因治療領域的一部分，現在非常有趣？” |
| 嗯，事實是，它可以用於……預防性疫苗、免疫劑，用於……準備……製備超免疫球蛋白 |
| 癌症疫苗，治療性疫苗，做基因替換。 或者也許你有 |
| 一個孩子，對，有一個罕見的基因突變。 我們可以進去修理嗎？ 所有這些事情都圍繞著這一點，隨著基因治療技術的不斷發展， |
| 隨著您走近商業化的道路，法規會繼續增加，數據量也會增加。 |
| 試想一下，基因療法和細胞療法是 20 多年前我們所處的位置？？？細胞培養和單克隆抗體 |
| 這是一個了不起的世界，我們每天都在學習新事物，然後我們會說，“哦， |
| 這不是平台。” 我們需要新設備。 我們需要新的工作方式。 我們需要能夠分析非常非常小的數據集，因為在細胞療法和基因療法中，患者數量通常少於其他適應症。 |
| 那麼 pDNA 的下一步是什麼？ 好吧，當然，隨著細胞療法和基因療法市場的持續增長，我們將繼續沿著這條道路前進 |
| 進入商業化。 我們需要能夠與 FDA 合作並與他們攜手合作，因為這些是我們以前從未做過的事情。 我們正在使用我們不使用的原材料和其他 |
| ...其他藥物適應症。 所以有很多事情要做。 能夠像 pDNA 一樣製造這些產品也很重要，因此我們以適當的方式獲得載體 |
| 量，還有質量方面。 因此，如果您擁有世界上最好的藥物，但您無法製造，那麼您就沒有藥物。 正確的？ 你不能把它交給病人。 |
| 因此，我們還需要確保我們的過程具有良好的特徵。 正如我之前提到的，許多這些跡像都非常小。 所以臨床試驗也很小。 |
| 同時，患者往往病得很重。 因此，能夠分析我們的數據并快速響應他們的需求是非常關鍵的。 |
| 無論是在臨床方面，還是在我們商業化時。 我們不希望出現這種情況，你猜怎麼著，我不能製造藥物，對吧？ 我希望能夠做到。 |
| 製造也是一件非常重要的事情。 所以不知道你有沒有註意到新聞裡有很多 |
| 擴張的公告。 當然，人們正在擴大疫苗的產能，但pDNA也是一大舉措。 人們花費數百萬美元，有時甚至數十億美元 |
| 在增加這些製造基地。 你可能會說，好吧，好吧，你增加了你的生產基地。 |
| 那太棒了。 但現在我需要能夠將技術轉移到那個製造基地。 我需要確保我的流程是穩健的……穩健的，而且它不僅 |
| 可以轉移和擴大規模，但要確保我有統計能力說 |
| 我知道我的過程在控制之中。 例如，我可能有 2% 的可變性，但我總是有 2% 的可變性，並且我已經對其進行了表徵。 |
| 隨著越來越多的產能上線，而且我們也出現短缺，這就像，我將我的產品帶到哪裡並考慮到這些，所以更早地為製造進行設計。 |
| 您的管道中可能有多種產品。 所以你想確保你正在學習並且能夠去獲取這些信息並說，讓我對此進行一些預測建模，它可能不是確切的產品，但它具有相似的屬性。 |
| 因此，商業化的道路是非常完整的，就像 CMC 戰略採取臨床方面一樣， |
| 為了使分子通過，一切都聚集在一起。 我們還有 |
| 考慮它的系統方面。 為什麼？ 因為如果我們在上游空間做點什麼，我們可能會提高生產力 |
| 200%，比方說，我們要去，“是的，我已經達到了我的里程碑。 我可以給我的病人送去。” 但如果我的下游或我的細胞 |
| 回收實際上不能回收產品，例如細胞或蛋白質治療劑，那麼我們就沒有產品。 所有這些工作都被扔在了門外。 所以有系統 |
| 方法，確保您涉及業務、供應鏈、質量控制、發現等所有不同的群體……每個人都有他們帶來的知識，以便最終交付給患者，這是非常關鍵的。 |
| 所以我現在要把它交給菲爾。 我很想更多地談論我們是如何開發藥物的，但是讓我們......讓我們看看我們如何分析我們的一些數據。 所以，菲爾，我現在把它交給你。 |
| 菲利普拉姆齊 | 好的，謝謝蒂芙尼的討論 |
| 為將要進行的案例研究奠定基礎。 我將在 JMP 中花費大部分時間來演示 JMP 中存在的一些重要工具。 你可能甚至不知道那裡有， |
| 這實際上對工藝開發非常重要，尤其是在 CMC 途徑、化學製造控制和質量源於設計的背景下。 |
| 以及流程開發的兩個重要特徵，一般來說， |
| 是您想要設計流程的地方，但您還需要對其進行表徵。 事實上，您必須表徵整個操作區域。 |
| 當然，我們希望進行優化，以便我們擁有非常理想的產品。 我們經常談論得不夠多的是，這些活動本質上是關於預測的。 |
| 我們必須建立強大的預測模型，讓我們能夠預測未來的表現。 對於監管機構來說，這是一個非常重要的部分，尤其是在後期開發中。 你必須證明 |
| 您可以可靠地生產產品。 嗯，關於這個過程表徵和預測問題的關鍵論文是 George Box 和他的非常有名的論文 |
| 同夥威爾遜，他是一名工程師。 |
| 正如人們今天所指出的那樣，他們談到了響應面的起源。 |
| 他們工作的關鍵是他們稱之為完整的二次模型。 嗯，那是什麼？ 嗯，這是一個包含主效應的模型， |
| 所有雙向交互和二次效應。 這可能仍然是構建流程模型的黃金標準，尤其是對於生產而言。 |
| 但是人們可能沒有意識到，它們有利於優化。 它們是這些未知響應函數的良好二階近似值。 不太清楚的是，在整個設計區域中，它們通常與響應面的近似值很差。 |
| 1996 年，已故的約翰·康奈爾，當然還有很多人都知道，道格·蒙哥馬利發表了一篇真正被低估的論文。 |
| 然後在那篇論文中，他們提出了這樣一個事實，即完整的二次模型通常不足以表徵設計空間。 從科學家的角度思考，思考這些生化物質是如何動態的 |
| 過程通常是。 換句話說，有大量的非線性導致響應面在不同區域具有明顯的複合曲率。 |
| 而完整的二次模型根本無法處理它。 因此，他們提出的建議是增強該設計，並添加了諸如二次乘以線性、線性乘以二次甚至是 |
| 二次通過二次交互。 事實證明，這些模型比完全二次模型更能近似設計區域。 稍後我將向您展示這一點。 |
| 但對他們來說有一個問題。 第一，傳統統計學家不喜歡這種方法；這幾天發生了巨大的變化。 |
| 但是有很多這些術語可以添加到模型中，即使是大型中央複合設計 |
| 變得超飽和。 這意味著什麼？ 這意味著有更多的未知數 p，然後有觀察結果並擬合模型。 事實證明，在機器學習和預測建模新技術時代，這並不是一個真正的限制。 |
| 所以我們要做的是，我們將使用一種叫做分數加權引導的東西。 這可以在 JMP Pro 中完成。 |
| 還有一種叫做模型平均的東西來構建模型來預測響應面，我實際上將使用這些大型增強模型。 |
| 好的，所以當您嘗試構建這些預測模型時，比如說設計質量，您必須注意許多事情。 一， |
| 再次在 1996 年，機器學習的先驅之一，已故的 Leo Brieman，寫了一篇論文，再次沒有得到應有的重視。 他指出 |
| 我們用於預測的所有這些模型構建算法（包括前向選擇、所有可能的模型、最佳子集、套索） |
| 本質上是不穩定的。 這意味著什麼？ 不穩定意味著數據中的小擾動可能會導致模型大相徑庭。 |
| 所以他做了一些工作來指出這一點，他提出了一個策略，說，“好吧，如果你能，以某種方式，模擬 |
| 模型擬合併以某種方式擾亂每次模擬運行的數據，我們可以擬合大量模型，然後對它們進行平均。” 他表明這是有潛力的。 |
| 在那個時代，他沒有很多工具可以做到這一點。 但今天我將向您展示 JMP Pro，我們有很多工具，我們將向您展示 Brieman 的想法實際上是一個非常好的想法。 |
| 現在，在機器學習和深度學習中普遍接受的一種方法是集成建模和模型平均的思想。 |
| 順便說一句，我會很快指出幾年前在 JMP 的逐步平台中，John Sall 建立了一種模型平均形式。 它是 JMP 中的一顆隱藏的寶石。 效果很好，並且在 JMP 的兩個版本中都可用，但我將提供更全面的解決方案 |
| 這可以在 JMP Pro 中完成。 這個解決方案被稱為帶有自動驗證的部分加權引導，我將解釋這意味著什麼。 |
| 當我們建立預測模型時，我們面臨著挑戰。 我們需要一個訓練集來擬合模型，然後我們需要一個額外的 |
| 或驗證數據集來測試模型，看看它的預測效果如何。 好吧，能源部根本沒有這些額外的試驗可用。 事實上，布里曼被困在這一點上。 |
| 沒有辦法真正產生驗證錯誤。 好吧，在 2017 年法蘭克福探索中心，JMP 統計研究負責人 Chris Gotwalt 和我自己 |
| 發表了一個演講，我們稱之為分數加權引導和自動驗證。 自動驗證是什麼意思？ 這意味著，這似乎不會 |
| 直觀地說，我們將把訓練集也用作驗證集。 你說，“嗯，這太瘋狂了。 這是相同的數據。” |
| 但這種技術有一個秘訣讓它發揮作用。 我們所做的是，我們獲取原始數據，複製它，稱之為自動驗證集， |
| 然後我們以一種特殊的方式，為觀察分配隨機權重，然後我們進行加權 |
| 這樣我們就可以驅動訓練集和自動驗證集之間的反相關。 我很快就會向你說明這一點。 |
| 好的。 順便說一句，我們一直在監督我的博士生 Trent Lempkis，他在去年的詳盡模擬中廣泛研究了這種方法。 |
| 我們將發表一篇論文，以表明這種方法實際上比從 DOE 構建預測模型的經典方法產生了更好的結果。 |
| 所以我將在這裡繼續討論案例研究。 這就是蒂芙尼提到的 |
| 脫氧核糖核酸。 這是一個非常熱門的話題，pDNA 製造商被認為是一個很大的增長領域，生物技術界預計會有很大的增長，甚至可能達到 40% |
| 年復一年，因為所有新療法都將在網上使用。 |
| 在這種情況下，這在生物技術領域非常普遍，實際上沒有任何現有數據可以用來構建預測模型。 |
| 所以這引導我們非常正確地設計實驗。 在這種情況下，我們將使用明確的篩選設計。 |
| 這些是 JMP 的 Brad Jones 和明尼蘇達大學的 Chris Nachtsheim 的精彩發明。 |
| 高效，我一直向生物技術領域的人們強烈推薦它們，在這些領域你的實驗時間和資源有限。 |
| 所以基本上我只是向您展示生物過程的示意圖。 我們將專注於發酵步驟。 |
| 但在實踐中，正如蒂芙尼所暗示的那樣，我們將審視這個過程的上游和下游方面。 |
| pH、溶解氧百分比、誘導溫度。 這是我們設置發酵罐的溫度以獲得 |
| E、轉基因 大腸桿菌開始抽出質粒。 什麼是質粒？ 嗯，它們真的是非染色體DNA。 |
| 它們在治療方面有很多用途，尤其是基因治療，它們與細菌中常見的染色體 DNA 是分開的。 |
| 所以我們的目標是得到這些修改後的 E。 大腸桿菌盡可能多地抽出 pDNA。 所以我們做了試驗。 這是一個實際的實驗。 而且因為我們是 DSD 的新手，所以我們還運行了一個更大、更大的傳統中央複合設計。 我們是分開做的。 |
| 對於今天的工作，我計劃做的是，我們將使用 CCD 作為驗證集，我們將使用 DSD 上的自動驗證來擬合模型。 我們會看看情況如何。 好的，所以我現在要切換到 JMP。 |
| 我要打開一個數據表。 這是DSD數據。 我們將在這個數據集上進行所有建模。 哦，順便說一句，我將把一個 40 的預測模型擬合到一個 15 |
| 使用機器學習技術運行設計。 許多人，你必須明白你可以做這些事情的事實，而且它們實際上在機器學習和深度學習中一直在做。 |
| 因此，我想向您展示一些插件，它們可以讓這很容易做到。 您確實需要 JMP Pro。 其中之一是為您設置表格的插件。 這是由 JMP 的邁克爾安德森撰寫的。 |
| 所以我只想告訴你會發生什麼。 該插件在 JMP 社區中可用。 |
| 所以請注意它採用了原始數據， |
| 創建了一個驗證集。 正如我提到的， |
| 我們也有這個加權方案，這些權重是隨機生成的，正如你稍後會看到的，我們進行了模擬研究，我們不斷地改變每個 |
| 跑。這具有再次生成數千次建模迭代的效果。 你還會看到，正如 Leo Brieman 警告的那樣，正如你 |
| 擾亂響應（我們不改變數據結構），你會看到模型的巨大變化。 因此，我將繼續并快速為您說明這一點。 |
| 所以我要去適合模型。 |
| 我們必須告訴 JMP 權重的存儲位置。 我們將使用廣義回歸，強烈推薦。 |
| 因為這是一個快速演示，所以我將使用前向選擇，但這是一個非常通用的 SWB 程序，具有自動驗證功能。 您可以在許多不同的預測或建模場景中使用它。 我要做前向選擇。 好的，所以我適合一個模型。 |
| 然後我來到 |
| 估計表。 我要右鍵單擊並選擇模擬。 |
| 我告訴它我想做一些模擬運行，並且在每次試驗中我都想換掉權重。 我想生成新的權重。 順便說一句，我只做 10 個，因為這是一個演示。 |
| 於是就有了結果。 你可以看到我們有 10 種模型，而且它們都有很大的不同。 |
| 同樣，在實踐中，我會進行數千次這樣的迭代。 然後我稍後會告訴你， |
| 然後我們可以取這些係數並將它們平均在一起。 順便說一句，如果你看到零，這意味著轉彎沒有進入模型。 好的，所以我現在要做的是向您展示另一個插件。 |
| 所以我要關閉其中的一些，所以我們保持屏幕整潔。 |
| 我們在 Predictum 開發了另一個附加功能。 而這個，不僅是派系加權自舉，而且還開發了模型平均。 換句話說， |
| 我剛剛向您展示的內容，如果您想進行模型平均，您可以使用該插件，您有點靠自己。 好的。 這將是大量的手工工作。 |
| 所以我將使用 Predictum 插件。 它會創建表格，然後我會很快地找到一個模型來說明插件的工作原理，我將使用標準響應面模型。 |
| 我們想要預測 pDNA。 我們將使用 gen reg。 |
| 再次，作為說明，我將繼續使用向前選擇向前。 |
| 再一次，我在實踐中做了數千次迭代，但我只會做 10 次。 |
| 單擊“前往”。 |
| 好的。 |
| 菲利普拉姆齊 | 再次，這是一個快速的，這真的，我很抱歉，三個談話合二為一，但所有的部分都在 QbD 框架中組合在一起。 所以我有一個模型。 這些是平均係數。 再說一次，我只做了10個。 我會將預測公式保存到數據表中。 |
| 我會盡量保持屏幕整潔。 |
| 這就是我的公式；該應用程序為你做了所有的平均，所以你不必這樣做。 |
| 還有公式。 還有一個你可能不知道的小技巧，這是一個亂七八糟的公式，尤其是如果你想將此公式部署到其他數據表中。 在公式編輯器中，有一個非常簡潔的函數，稱為簡化。 |
| 看，它簡化了方程，使它更容易部署到其他數據集。 好的，這是該方法的說明。 |
| 我現在要做的是展示發生了什麼 |
| 當我們完成整個過程時。 所以這是一個數據表。 在這裡，您會注意到 DSD 和 CCD 數據庫結合在一起。 |
| 我使用行狀態變量來消除或排除 DSD 數據，因為我想專注於我的模型在驗證數據上的性能。 同樣，這些模型僅適用於 DSD。 |
| 所以這是我的第 41 個任期 |
| 模型。這是通過對數千次迭代的模型平均完成的增強的完全二次方。 為了比較，我重複了相同的過程 |
| 對於更小的 21 項完全二次模型。 那麼我們在預測方面是怎麼做的呢？ 因此，讓我向您展示一些實際的預測圖。 |
| 所以請記住，我必須強烈強調，這是一個真正的驗證測試。 CCD 是單獨完成的。 不同批次的原材料，包括一批新的大腸桿菌菌株。 |
| 有些發酵罐是不同的，他們是完全不同的操作者。 所以對於那些從事生物技術工作的人來說，你知道，這是一項艱鉅的預測工作。 |
| 因此，模型再次擬合 DSD，左側是 41 項模型，即增強模型，預測誤差的總體標準差約為 67。 |
| 在右邊，我確實使用了有助於提高性能的模型平均，我只擬合了 21 項完全二次模型，你可以看到預測誤差約為 70。 |
| 事實上，如果不使用模型平均，因為很多人不做完全二次有用的二次模型，所以性能會明顯變差。 好的。 |
| 所以我有模型。 我該怎麼辦？ 好吧，我們的目標通常是優化和表徵。 所以讓我打開一個分析器。 我真的會為你做這件事。 |
| 所以我要去分析器和圖形菜單。 我將使用我最好的模型。 這就是使用 Predictum 插件的那個。 順便說一句，如果你對這個插件感興趣，甚至 |
| 對其進行 Beta 測試，只需聯繫 Predictum，只需發送電子郵件至 Wayne@predictum.com，我相信他會非常樂意與您交談。 所以我要... |
| 轉到模型，然後使用desirability， |
| 我只是要找到最大化生產的設置。 順便說一下， |
| 這是對他們歷史上獲得的生產的重大改進，它為我們提供了我們應該看到的設置 |
| 關於改進的性能，順便說一句，這些有點不直觀，但在復雜系統中通常是這種情況。 |
| 事情從來沒有你想像的那麼直觀。 然後還有一些非常重要的事情，特別是如果你在 CMC 路徑中進行後期開發。 |
| 也就是說，他們希望您評估輸入的重要性，哪些輸入很重要。 |
| 評估變量的重要性。 同樣，我不會深入討論所有技術細節。 |
| 因此，它通過它向您顯示，就響應的變化而言，進給率是迄今為止最重要的。 這對人們來說不一定是直覺的。 其次是溶解氧百分比。 |
| 所以，這告訴你什麼？ 那麼它告訴你，第一，你最好很好地控制這些變量，或者你可能有 |
| 很多變化。 現在，在這種特殊情況下，我對質量屬性沒有嚴格要求。 沒有可用的。 |
| 因此，我們所擁有的對業務屬性至關重要，那就是 pDNA 生產，但是我們可以在 JMP 中做更多的事情來充分錶徵設計空間。 我所做的只是優化，但這不是表徵。 因此，分析器中還有另一個很棒的工具。 好的。 |
| 它被稱為模擬器。 這只是沒有得到應有的使用。 所以我所做的，我已經定義了輸入的分佈。 |
| 也就是說，我希望輸入會有所不同。 這是 FDA 想知道的事情。 作為輸入，您的流程性能會發生什麼變化。 沒有完美控制的過程，尤其是在您擴大規模後。 |
| 順便說一句，當我想到它時，這些更複雜的模型，這些增強的完全二次模型， |
| 根據經驗，我可以告訴你它們比完全二次模型更好地擴展。 這是擬合這些更複雜模型的另一個原因。 |
| 所以在模擬器中，有一個很好的工具叫做模擬實驗。 它的作用就是我們所說的空間填充設計。 它將點分佈在整個設計區域。 所以我只想說我想做 256 次跑步。 |
| 它將進行 5000 次模擬，在每個點計算平均標準偏差和總體缺陷。 正確的。 |
| 所以這實際上進行得很快。 我只是向您展示輸出的樣子。 再說一次，我已經這樣做了。 |
| 所以，為了時間，我只是要打開另一個數據表。 |
| 最小化另一個。 |
| 這就是模擬研究的結果。 |
| 我不會詳細介紹所有細節，但我將模型擬合到主要模型，將模型擬合到標準差，並將模型擬合到總體缺陷率。 |
| 並且在某些區域的缺陷率較低，在某些區域的缺陷率相對較高，這就是我們所說的高斯過程模型，通常與模擬數據一起使用。 那麼我們可以用這些做什麼 |
| 模型和這些模擬結果？ 好吧，再一次，表徵很重要。 所以讓我給你一個快速的想法。 |
| 這是一個三維散點圖，我們正在研究進給率和溶解氧百分比，因為它們非常重要。 並且繪製的點按缺陷率加權；大 |
| 球體意味著更高的缺陷率。 因此，如果您環顧四周。 你可以看到有些地區我們絕對不想經營。 |
| 因此，我們正在表徵我們的設計空間並尋找更安全的區域進行操作。 當然，我可以這樣做 |
| 只需選擇一些其他變量，無論如何，它只是顯示您真正想要避免的其他區域。 我們可以用這個做更多，但我認為這很重要。 我們還可以在哪裡 |
| 繼續並再次使用分析器，我將重新優化。 |
| 但我將以不同的方式來做這件事。 這樣我想最大化平均 pDNA。 |
| 我想做一個雙重回應。 我想最小化整體缺陷率。 |
| 再說一次，我將繼續使用合意性。 |
| 這需要幾分鐘。 這些是我們正在優化的非常複雜的模型。 |
| 注意，它出現並說 |
| 高進給率，高溶解氧， |
| 接近中性pH和誘導。 順便說一句，感應，如果你想知道感應 OD 600 是什麼，那是微生物質量的量度 |
| 一旦你達到一定的質量（沒有人很確定那是什麼，所以這就是我們進行實驗的原因）你就會提高物質的溫度。 這實際上 |
| 強制E。 大腸桿菌開始抽出 pDNA 或質粒，他們被設計來做到這一點。 所以我們稱之為感應溫度。 好的。 嗯，注意設置， |
| 我們保證低缺陷率，整體優化響應沒有那麼高。 但請記住，我們還將有一個不太容易產生缺陷的過程。 |
| 好的，所以在這一點上， |
| 我會很快走到最後。 |
| 幻燈片。 所以一切都在這些幻燈片中。 都已經上傳了 |
| 至 |
| JMP 社區。 最後是執行摘要，基本上我們向您展示的是流程和產品開發 |
| 使用 CMC 途徑（其中一部分是質量源於設計）需要整體或綜合方法。 許多系統思考需要進入它。 |
| 流程設計和開發本質上是一個預測問題，這是機器學習和深度學習的領域。 這不是你想的那樣；這不是像往常一樣的建築 |
| 統計模型，尤其是預測模型。 我們已經向您展示了分數加權自舉自動驗證和模型平均 |
| 可以生成非常有效和準確的預測模型。 我還要再次強調，康奈爾和蒙哥馬利的這些更複雜的增強模型實際上非常重要。 |
| 它們確實可以更好地擴展，並且確實可以為您提供更好的表徵。 有了這個，我感謝你，我將結束我的演講。 |
