스피커 | 성적 증명서 |
| 티파니 | 먼저 오늘 함께해주셔서 감사합니다. 우리는 다양한 바이오 프로세싱을 특성화하는 것에 대해 이야기할 것입니다...보고...그리고 실제로 pDNA에 초점을 맞추고 분수 가중치 부트스트랩이 실제로 얼마나 |
| 귀하의 프로세스에 추가하십시오. 따라서 Phil은 프레젠테이션 후반부에 나와 함께 JMP를 살펴보겠습니다. |
| 예를 들어, 몇 가지 다른 기술을 제공합니다. |
| 사용될. |
| 저는 CMC 전략, 생명 공학, 어떻게 약을 시장에 출시하고 우리의 프로세스를 제공하기 위해 FWB와 같은 새로운 도구를 사용할 수 있는지에 대해 이야기할 것입니다. |
| 시작하겠습니다. 따라서 화학 제조 제어 여정. 그래서 그것은 매우 긴 여정이며 우리는 그것에 대해 논의할 것입니다. |
| 왜 DOE인가, 왜 예측 모델링인가? 의약품을 시장에 출시하는 것은 매우 복잡합니다. 실험뿐만 아니라 클리닉에 관한 것이기도 합니다. |
| 그리고 모든 것을 함께 하는 것. 그래서 우리는 시스템 사고 방식도 살펴볼 것입니다. 그리고 물론 그 바이오프로세싱을 특성화한 다음 Phil이 할 사례 연구를 |
| 논의하다. 그렇다면 CMC 경로는 어떻게 생겼습니까? 이것은 일반적인 예이며 우리는 독성학에서 갑니다. 그래서 효험이 없다고 보는 것입니다. 작동합니까. |
| 비인간 재판에서. 상업적 제조에 이르기까지 모든 과정에서 여기에 포함되는 많은 것들이 있습니다. 예를 들어, 프로세스 개발입니다. |
| 그러나 대상 제품 프로필도 있어야 합니다. 당신이 개발하고 있는 약물이 실제로 무엇을 하기를 원하십니까? 그리고 그것을 이해하는 것이 중요합니다. 그러면 당연히 |
| 품질 목표 제품 프로필도 마찬가지입니다. 이것은... 분자가 규정된 대로 작동하기 위해 필요한 측면은 무엇입니까? |
| 그런 다음 우리는 중요한 품질 속성을 살펴본 다음 프로세스를 거쳐... |
| 공정 개발, 공정 특성화, 공정 적격성 평가 및 BLA를 보유하고 있기 때문입니다. 이러한 각 단계에 들어가는 엄청난 양의 작업이 있습니다. |
| 또한 다양한 단계를 거치면서 실제로 이러한 데이터를 구축하고 있는지 확인하고 |
| 그룹화. 프로세스 특성화 및 프로세스 적격성 평가에 도달하면 가능한 한 많은 과거 정보를 활용할 수 있는지 확인하여 실제로 시간을 단축할 수 있습니다. |
| 당신의 타임 라인. "티파니, 저는 프로세스의 모든 과정에서 특성화를 수행합니다."라고 말할 수 있습니다. 그리고 저는 "절대"라고 말할 것입니다. 그러나 CMC 경로에 특정한 프로세스 특성화는 규제 관점에서 우리가 필요로 하는 것입니다. |
| 따라서 모두가 뉴스에서 백신과 세포 및 유전자 치료법에 대해 들어봤을 것입니다. 요즘 아주 핫한 주제이기도 하고, |
| 이전에는 치료할 수 없었던 새로운 치료법을 환자에게 제공합니다. |
| 따라서 세포 요법과 유전자 요법의 두 가지 큰 그룹에는 서로 다른 측면이 있습니다. 오른쪽. 그래서 면역 요법이 있습니다. 우리에게는 줄기세포가 있습니다. |
| 재생의학을 하고 있습니다. 그러니 허리에 부상을 입고 재생될 수 있다고 상상해보세요. 엄청나다 |
| 이 그룹화를 강조합니다. 그러나 유전자 치료에 대한 엄청난 강조도 있습니다. 바이러스 벡터. 박테리아 벡터를 사용합니까? DNA를 얻는 방법 |
| 환자를 위한 치료가 되기 위해 시스템에? 글쎄, 혈장 DNA는 그러한 측면 중 하나이며 Phil은 최적화를 수행한 놀라운 사례 연구를 가지고 있습니다. |
| 그래서 여러분은 "pDNA가 무엇입니까?"라고 말할 수 있습니다. 그리고 그게 왜 중요한가요? 좋아요, 지금 매우 흥미로운 유전자 치료 분야의 일부라는 것 외에는요?" |
| 음, 사실은 그것이...예방 백신, 면역화제에 사용될 수 있다는 것입니다....준비...고 면역 글로불린 준비 |
| 암 백신, 치료 백신, 유전자 교체. 또는 어쩌면 당신은 |
| 희귀 유전자 돌연변이를 가진 아이가 맞습니다. 우리가 가서 수리를 할 수 있습니까? 이 모든 것들이 이 주변에 있고 유전자 치료 기술이 계속해서 성장함에 따라 |
| 상용화에 가까워질수록 규제는 계속 증가하고 데이터의 양도 증가합니다. |
| 유전자 요법과 세포 요법이 20년 이상 전에 있었던 곳이라고 상상해 보십시오. 세포 배양 및 단일 클론 항체 |
| 우리가 매일 새로운 것을 배우고 "오, |
| 이것은 플랫폼이 아닙니다." 새로운 장비가 필요합니다. 우리는 새로운 작업 방식이 필요합니다. 세포 요법과 유전자 요법에서는 일반적으로 다른 적응증보다 환자 수가 적기 때문에 매우 작은 데이터 세트를 분석할 수 있어야 합니다. |
| 그렇다면 pDNA의 다음 단계는 무엇입니까? 글쎄요, 물론 세포치료제와 유전자치료제 시장이 계속 성장함에 따라 우리는 이 길을 계속 갈 것입니다. |
| 상용화에. 우리는 FDA와 함께 일하고 그들과 손을 잡고 일할 수 있어야 합니다. 이것은 우리가 전에 해본 적이 없는 일이기 때문입니다. 우리는 우리가 사용하지 않는 원료를 사용하고 있습니다. |
| ... 약물에 대한 기타 적응증. 그래서 해야 할 일이 많습니다. 이러한 제품을 pDNA와 같이 만들 수 있도록 하는 것도 중요하므로 적절한 벡터를 얻을 수 있습니다. |
| 볼륨뿐만 아니라 품질 측면. 따라서 세상에서 가장 좋은 약을 가지고 있지만 만들 수 없다면 약이 없는 것입니다. 오른쪽? 환자에게 전달할 수 없습니다. |
| 따라서 우리는 또한 우리의 프로세스가 잘 특성화되었는지 확인해야 합니다. 그리고 앞서 언급했듯이 이러한 징후 중 상당수는 매우 작습니다. 그래서 임상시험도 적습니다. |
| 그리고 동시에 환자들은 종종 매우, 매우 아플 때가 있습니다. 따라서 우리의 데이터를 분석하고 그들의 요구에 매우 신속하게 대응하는 것이 매우 중요합니다. |
| 임상적 측면과 상용화 시점 모두. 내가 약을 만들 수 없는 이런 상황을 우리는 원하지 않습니다. 맞죠? 나는 그것을 할 수 있기를 원합니다. |
| 또한 제조는 매우 중요한 것입니다. 뉴스에서 눈치채셨는지 모르겠지만, |
| 확장 발표. 물론 사람들은 백신에 대한 역량을 확장하고 있지만 가장 큰 움직임 중 하나는 pDNA입니다. 사람들은 수백만 달러, 때로는 수십억 달러를 지출하고 있습니다. |
| 이러한 제조 사이트를 늘리는 것입니다. 그러면 제조 현장을 늘리면 됩니다. |
| 대단해. 하지만 이제 그 제조 현장으로 기술 이전을 할 수 있어야 합니다. 내 프로세스가 견고하고... 견고하며 |
| 이전 및 확장할 수 있지만 내가 말할 수 있는 통계적 능력이 있는지 확인 |
| 내 프로세스가 제어되고 있음을 알고 있습니다. 나는 2%의 변동성을 가질 수 있지만 나는 항상 2%의 변동성을 가지고 있으며 예를 들어 그것을 특성화했습니다. |
| 그리고 점점 더 많은 용량이 온라인에 들어오고 우리도 부족해짐에 따라 제품을 어디에서 가져와서 이를 고려하여 더 일찍 제조용으로 설계해야 하는지와 같습니다. |
| 그리고 파이프라인에 여러 제품이 있을 수 있습니다. 그래서 당신은 당신이 배우고 있고 정보를 얻을 수 있는지 확인하고 말하기를, 제가 이것에 대한 예측 모델링을 할 수 있도록 하기를 원합니다. 정확한 제품이 아닐 수도 있지만 유사한 속성을 가지고 있습니다. |
| 따라서 CMC 전략이 임상 측면을 취하는 것처럼 상업화의 경로는 매우 통합되어 있습니다. |
| 분자를 통해 진행하기 위해 모든 것이 함께 온다. 우리도 가지고있다 |
| 그것의 시스템 측면에 대해 생각합니다. 왜요? 업스트림 공간에서 무언가를 하면 생산성이 향상될 수 있기 때문입니다. |
| 200%, 우리가 가고 있다고 가정해 봅시다. "네, 제 이정표를 만들었습니다. 환자에게 전달할 수 있습니다." 하지만 내 다운스트림 또는 내 세포가 |
| 예를 들어 세포든 단백질 치료제든 회복은 실제로 제품을 회복할 수 없습니다. 그러면 제품이 없습니다. 그 모든 작업은 어느 정도 밖으로 버려집니다. 그래서 시스템을 가지고 |
| 접근 방식, 비즈니스, 공급망, QC, 발견 등의 모든 다른 그룹을 포함해야 합니다. 모든 사람은 결국 환자에게 전달하기 위해 테이블에 가져오는 지식을 가지고 있으며, 이는 매우 중요합니다. |
| 그럼 이제 필에게 넘기겠습니다. 우리가 어떻게 약을 개발했는지에 대해 더 많은 이야기를 하고 싶었지만, 이제... 우리가 데이터의 일부를 분석할 수 있는 방법을 봅시다. 그러니 필, 지금 당신에게 넘겨줄게요. |
| 필립 램지 | 알겠습니다. Tiffany님, 토론해주셔서 감사합니다. |
| 사례 연구를 위한 무대를 설정합니다. 저는 JMP에 있는 몇 가지 중요한 도구를 시연하는 데 대부분의 시간을 JMP에서 보낼 것입니다. 있는지조차 모를 수 있지만, |
| 이는 특히 CMC 경로, 화학 제조 제어 및 설계에 의한 품질과 관련하여 공정 개발에 실제로 매우 중요합니다. |
| 그리고 프로세스 개발의 두 가지 중요한 특성은 일반적으로, |
| 프로세스를 설계하고 싶지만 특성화해야 하는 곳이기도 합니다. 실제로 전체 운영 영역을 특성화해야 합니다. |
| 물론 우리는 매우 바람직한 생산을 위해 최적화하기를 원합니다. 우리가 종종 충분히 이야기하지 않는 것은 이러한 활동이 본질적으로 예측에 관한 것이라는 것입니다. |
| 우리는 미래의 성과를 예측할 수 있는 강력한 예측 모델을 구축해야 합니다. 이는 규제 기관의 경우 특히 후기 개발 단계에서 매우 중요한 부분입니다. 당신은 시연해야 |
| 안정적으로 제품을 생산할 수 있습니다. 이 프로세스 특성화 및 예측 문제에 대한 핵심 논문은 George Box와 그의 그의 저서로 매우 유명한 논문이었습니다. |
| 엔지니어였던 윌슨 코호트. |
| 그리고 그들은 오늘날 사람들이 주목하는 것처럼 반응 표면으로서 시작이 무엇인지에 대해 이야기했습니다. |
| 그리고 이 작업의 핵심은 완전 이차 모델이라고 부르는 작업입니다. 글쎄, 그게 뭐야? 주효과가 포함된 모델입니다. |
| 모든 양방향 상호 작용 및 2차 효과. 그리고 이것은 아마도 특히 생산을 위한 빌딩 프로세스 모델의 황금 표준일 것입니다. |
| 그러나 사람들이 깨닫지 못하는 것은 최적화에 좋습니다. 그것들은 이러한 미지의 응답 함수에 대한 좋은 2차 근사치입니다. 잘 이해되지 않는 것은 전체 설계 영역에서 종종 응답 표면에 대한 잘못된 근사값이라는 것입니다. |
| 그리고 1996년에 고(故) 존 코넬(John Cornell)과 물론 많은 사람들이 알고 있는 더그 몽고메리(Doug Montgomery)는 실제로 과소평가된 논문을 발표했습니다. |
| 그리고 그 논문은 완전한 2차 모델이 종종 디자인 공간을 특성화하는 데 부적절하다는 사실을 제기했습니다. 과학자의 입장에서 생각해보고 이러한 생화학적 |
| 프로세스는 종종 있습니다. 다시 말해, 서로 다른 영역에서 복합 곡률이 뚜렷하게 나타나는 응답 표면으로 이어지는 많은 비선형성이 있습니다. |
| 그리고 완전한 2차 모델은 단순히 그것을 처리할 수 없습니다. 그래서 그들이 제안한 것은 설계를 보강하는 것이었고 2차 대 선형, 선형 대 2차, 심지어 |
| 2차 상호작용에 의한 2차. 이 모델은 완전 2차 모델보다 설계 영역을 더 잘 근사하는 것으로 나타났습니다. 잠시 후에 그것을 보여드리겠습니다. |
| 그러나 그들에게 문제가 있었습니다. 첫째, 전통적인 통계학자들은 접근 방식을 좋아하지 않았습니다. 그것은 요즘 극적으로 변화하고 있습니다. |
| 그러나 큰 중심 복합 설계도 모델에 추가할 수 있는 이러한 항이 많이 있습니다. |
| 과포화 상태가 됩니다. 그게 무슨 뜻이야? 이는 미지수 p가 더 많고 관측치가 있고 모델에 적합하다는 것을 의미합니다. 기계 학습 및 예측 모델링을 위한 새로운 기술의 시대에 오늘날에는 실제로 제약이 없는 것으로 나타났습니다. |
| 그래서 우리가 할 일은 부분 가중치 부트스트랩(fractionally weighted bootstrap)이라는 것을 사용하는 것입니다. 이것은 JMP Pro에서 수행할 수 있습니다. |
| 그리고 반응 표면을 예측하는 모델을 구축하기 위해 모델 평균화라고 하는 것이 있습니다. 저는 실제로 이러한 대규모 증강 모델을 사용할 것입니다. |
| 좋습니다. 따라서 이러한 예측 모델을 만들려고 할 때, 예를 들어 설계에 따른 품질에 대해 알고 있어야 하는 많은 것들이 있습니다. 하나, |
| 다시 1996년에 기계 학습의 선구자 중 한 명인 고 레오 브리먼(Leo Brieman)은 필요한 만큼 평가를 받지 못하는 논문을 썼습니다. 그리고 그는 지적했다. |
| 우리가 예측에 사용하는 이러한 모든 모델 구축 알고리즘(그리고 여기에는 순방향 선택, 가능한 모든 모델, 최상의 하위 집합, 올가미 포함) |
| 본질적으로 불안정합니다. 그게 무슨 뜻이야? 불안정하다는 것은 데이터의 작은 섭동이 매우 다양한 모델을 초래할 수 있음을 의미합니다. |
| 그래서 그는 이것을 지적하기 위해 몇 가지 작업을 수행했고 전략을 제안했습니다. "글쎄, 당신이 어떤 식으로든 시뮬레이션할 수 있다면 |
| 모델 피팅을 수행하고 각 시뮬레이션 실행에서 데이터를 어떻게든 교란시키면 많은 모델을 피팅한 다음 평균을 낼 수 있습니다." 그리고 그는 그것이 가능성이 있음을 보여주었습니다. |
| 그 시대에는 그것을 할 수 있는 도구가 많지 않았습니다. 하지만 오늘 저는 JMP Pro에서 많은 도구를 가지고 있고 Brieman의 아이디어가 실제로 매우 좋은 아이디어라는 것을 보여드릴 것입니다. |
| 이제는 머신 러닝과 딥 러닝에서 일반적으로 받아 들여지는 어떤 방식이든 앙상블 모델링 및 모델 평균화의 아이디어입니다. |
| 그건 그렇고, 몇 년 전에 JMP의 단계적 플랫폼에서 John Sall이 모델 평균화의 한 형태를 도입했음을 빠르게 지적하겠습니다. JMP의 숨겨진 보석입니다. 잘 작동하고 JMP의 두 버전 모두에서 사용할 수 있지만 더 포괄적인 솔루션을 제공하겠습니다. |
| JMP Pro에서 할 수 있습니다. 그리고 이 솔루션을 자동 유효성 검사가 포함된 부분 가중치 부트스트랩이라고 하며 그 의미에 대해 설명하겠습니다. |
| 예측 모델을 구축할 때 어려움이 있습니다. 모델에 맞는 훈련 세트가 필요하고 추가로 필요합니다. |
| 또는 모델이 얼마나 잘 예측하는지 확인하기 위해 모델을 테스트하기 위한 데이터의 검증 세트. 글쎄, DOE는 단순히 이러한 추가 시험을 사용할 수 없습니다. 사실, Brieman은 이 점에서 막혔습니다. |
| 실제로 유효성 검사 오류를 생성할 방법은 없습니다. 글쎄요, 2017년 디스커버리 프랑크푸르트에서 JMP의 통계 연구 책임자인 Chris Gotwalt와 저와 |
| 우리가 분수 가중치 부트스트래핑 및 자동 유효성 검사라고 하는 내용을 발표했습니다. 자동 유효성 검사는 무엇을 의미합니까? 즉, 이것은 보이지 않을 것입니다 |
| 직관적으로, 우리는 훈련 세트를 검증 세트로도 사용할 것입니다. 당신은 "글쎄, 그건 미친 짓이야. 같은 데이터야." |
| 그러나 이 기술을 작동하게 만드는 비밀 소스가 있습니다. 우리가 하는 일은 원본 데이터를 가져 와서 복사하고 자동 유효성 검사 세트라고 부르는 것입니다. |
| 그런 다음 우리는 특별한 방법으로 관찰에 임의의 가중치를 할당하고 가중치를 수행합니다. |
| 훈련 세트와 자동 검증 세트 간의 반상관관계를 유도합니다. 그리고 저는 이것을 여러분에게 곧 설명할 것입니다. |
| 괜찮아. 그건 그렇고, 우리는 작년에 철저한 시뮬레이션에서 이 방법을 광범위하게 연구한 박사 과정 학생 Trent Lempkis를 감독했습니다. |
| 그리고 우리는 이 방법이 실제로 DOE에서 예측 모델을 구축하는 고전적 접근 방식보다 우수한 결과를 산출한다는 것을 보여주는 논문을 출판할 것입니다. |
| 그래서 저는 여기로 이동하여 사례 연구에 대해 이야기하겠습니다. 그리고 이것은 Tiffany가 언급한 것입니다. |
| pDNA. 그것은 정말 뜨거운 주제이며 pDNA 제조업체는 큰 성장 영역으로 간주되며 생명 공학 세계는 아마도 40%의 큰 성장을 기대합니다 |
| 모든 새로운 치료법이 온라인으로 제공되기 때문에 매년 사용됩니다. |
| 그리고 이 경우, 그리고 이것은 생명공학 분야에서 매우 흔한 일입니다. 예측 모델을 구축하는 데 사용할 수 있는 기존 데이터는 실제로 없습니다. |
| 그래서 그것은 우리를 실험 계획으로 아주 적절하게 이끕니다. 그리고 이 경우에는 최종 선별 설계를 사용할 것입니다. |
| JMP의 Brad Jones와 University of Minnesota의 Chris Nachtsheim의 훌륭한 발명품입니다. |
| 매우 효율적이며 실험을 위한 시간과 자원이 제한된 생명 공학 분야의 사람들에게 항상 강력히 추천합니다. |
| 그래서 기본적으로 바이오프로세스가 어떻게 생겼는지에 대한 개략도를 보여주고 있습니다. 그리고 우리는 발효 단계에 집중할 것입니다. |
| 그러나 실제로 Tiffany가 암시했듯이 우리는 이 프로세스의 업스트림 및 다운스트림 측면을 모두 살펴볼 것입니다. |
| pH, 용존 산소 퍼센트, 유도 온도. 그것이 발효기를 얻기 위해 우리가 설정한 온도입니다. |
| 유전자 변형 E. Coli는 플라스미드를 펌핑하기 시작합니다. 그리고 플라스미드는 무엇입니까? 글쎄요, 그것들은 정말 비염색체 DNA입니다. |
| 그리고 그것들은 치료법, 특히 유전자 치료법에서 많이 사용됩니다. 그리고 그것들은 박테리아에서 찾을 수 있는 일반적인 염색체 DNA와는 별개입니다. |
| 그래서 우리의 목표는 이러한 수정된 E를 얻는 것입니다. 가능한 한 많은 pDNA를 펌핑하는 대장균. 그래서 우리는 재판을 했습니다. 이것은 실제 실험입니다. 그리고 우리는 DSD를 처음 접했기 때문에 더 크고 훨씬 더 큰 기존의 중앙 합성물 설계도 실행했습니다. 그리고 우리는 이것을 따로따로 했습니다. |
| 그리고 제가 할 계획은 오늘의 작업을 위해 CCD를 유효성 검사 세트로 사용하고 DSD에서 자동 유효성 검사를 사용하여 모델을 맞추는 것입니다. 우리는 그것이 어떻게 진행되는지 볼 것입니다. 자, 이제 JMP로 전환하겠습니다. |
| 데이터 테이블을 열겠습니다. 다음은 DSD 데이터입니다. 우리는 이 데이터 세트에 대한 모든 모델링을 수행할 것입니다. 그리고 오, 그건 그렇고, 저는 40 예측 변수 모델을 15 |
| 기계 학습 기술을 사용하여 설계를 실행합니다. 그리고 많은 사람들은 이러한 일을 할 수 있다는 사실에 머리를 맞대야 할 것이고 실제로 머신 러닝과 딥 러닝에서 항상 수행되고 있습니다. |
| 따라서 이 작업을 쉽게 수행할 수 있도록 몇 가지 추가 기능을 보여 드리고자 합니다. JMP Pro가 필요합니다. 그 중 하나는 테이블을 설정하는 추가 기능입니다. JMP의 Michael Anderson이 작성한 것입니다. |
| 그래서 어떤 일이 일어나는지 보여드리겠습니다. 추가 기능은 JMP 커뮤니티에서 사용할 수 있습니다. |
| 원본 데이터를 가져갔다는 점에 유의하세요. |
| 검증 세트를 생성했습니다. 그리고 제가 언급했듯이, |
| 우리는 또한 이 가중치 체계를 가지고 있으며 이 가중치는 무작위로 생성됩니다. 잠시 후에 보시게 될 것처럼 우리는 시뮬레이션 연구를 수행하고 모든 가중치를 지속적으로 변경합니다. |
| 운영. 그리고 이것은 수천 번의 모델링 반복을 다시 생성하는 효과가 있습니다. 그리고 Leo Brieman이 경고했듯이 |
| 응답을 교란(우리는 데이터 구조를 변경하지 않음)하면 모델에서 엄청난 변화를 볼 수 있습니다. 그래서 저는 여러분을 위해 이것을 매우 빠르게 설명하겠습니다. |
| 그래서 피팅모델로 갑니다. |
| 그리고 가중치가 저장되는 위치를 JMP에 알려야 합니다. 이를 위해 강력히 권장되는 일반화 회귀를 사용할 것입니다. |
| 그리고 이것은 빠른 데모이기 때문에 정방향 선택을 사용하겠습니다. 그러나 이것은 자동 유효성 검사가 포함된 매우 일반적인 절차 SWB입니다. 다양한 예측 또는 모델링 시나리오에서 사용할 수 있습니다. 나는 앞으로 선택을 할 것이다. 좋아요, 그래서 저는 한 모델에 맞습니다. |
| 그리고 나서 나는 |
| 견적표. 마우스 오른쪽 버튼을 클릭하고 시뮬레이션을 선택하겠습니다. |
| 그리고 저는 시뮬레이션을 몇 번 실행하고 각 시도에서 가중치를 교체하고 싶다고 말했습니다. 새로운 가중치를 생성하고 싶습니다. 그건 그렇고, 이것은 데모이기 때문에 10개만 할게요. |
| 결과가 있습니다. 그리고 10개의 모델이 있고 모두 상당히 다른 것을 볼 수 있습니다. |
| 그래서 다시, 실제로, 나는 이러한 반복을 수천 번 할 것입니다. 그리고 나중에 보여드리자면, |
| 그런 다음 이러한 계수를 가져와 함께 평균화할 수 있습니다. 그런데 0이 보이면 턴이 모델에 포함되지 않았다는 의미입니다. 자, 이제 제가 하려고 하는 것은 다른 추가 기능을 보여드리는 것입니다. |
| 그래서 이 중 일부를 닫고 화면을 깔끔하게 유지하겠습니다. |
| Predictum에서 개발한 또 다른 추가 기능이 있습니다. 그리고 이것은 팩션 가중치 부트스트랩을 수행할 뿐만 아니라 모델 평균을 개발합니다. 다시 말해, |
| 방금 보여드린 추가 기능은 모델 평균화를 수행하려는 경우 사용할 수 있는 추가 기능입니다. 괜찮아. 손이 많이 가는 작업일 뿐입니다. |
| 따라서 Predictum 추가 기능을 사용하겠습니다. 테이블을 만든 다음 실제로 매우 빠르게 추가 기능이 작동하는 방식을 설명하는 모델을 찾기 위해 표준 응답 표면 모델을 사용하겠습니다. |
| 우리는 pDNA를 예측하고 싶습니다. 그리고 우리는 gen reg를 사용할 것입니다. |
| 다시 한 번 예시로 앞으로 앞으로 선택을 사용하겠습니다. |
| 그리고 다시, 저는 실제로 수천 번 반복하지만 10번만 할 것입니다. |
| 이동을 클릭합니다. |
| 괜찮아. |
| 필립 램지 | 다시 말하지만, 이것은 빠른 것입니다. 정말 죄송합니다. 세 개의 대화가 하나로 합쳐지지만 모든 부분이 QbD 프레임워크에 함께 들어 맞습니다. 그래서 모델이 있습니다. 이것은 평균 계수입니다. 다시 말하지만, 나는 10개만 했다. 예측 공식을 데이터 테이블에 저장하겠습니다. |
| 그리고 가능한 한 화면을 깔끔하게 유지하려고 노력할 것입니다. |
| 제 공식이 있습니다. 앱이 당신을 위해 모든 평균을 냈으므로 당신은 그것을 할 필요가 없습니다. |
| 그리고 공식이 있습니다. 그리고 이 수식을 다른 데이터 테이블에 배포하려는 경우 특히 이 수식이 지저분한 수식이라는 사실을 인지하지 못할 수도 있습니다. 수식 편집기에는 단순화라는 정말 깔끔한 기능이 있습니다. |
| 방정식을 단순화하고 다른 데이터 세트에 훨씬 더 쉽게 배포할 수 있습니다. 좋습니다. 이것은 방법의 예시였습니다. |
| 이제 내가 할 일은 일어난 일을 보여주는 것입니다. |
| 우리가 전체 절차를 거쳤을 때. 그래서 이것은 데이터 테이블입니다. 여기에서 DSD와 CCD 데이터 뱅크가 함께 결합된 것을 알 수 있습니다. |
| 그리고 유효성 검사 데이터에 대한 내 모델의 성능에 초점을 맞추고 싶기 때문에 행 상태 변수를 사용하여 DSD 데이터를 제거하거나 제외했습니다. 다시 모델은 DSD에만 맞습니다. |
| 여기 내 41 임기가 있습니다 |
| 모델. 이것은 수천 번의 반복에 대한 모델 평균으로 수행된 증대된 완전 2차입니다. 그리고 비교를 위해 같은 과정을 반복했습니다 |
| 훨씬 더 작은 21항 전체 2차 모델의 경우. 예측 측면에서 우리는 어떻게 했습니까? 그래서 몇 가지 실제에 의한 예측 플롯을 보여드리겠습니다. |
| 따라서 이것이 진정한 검증 테스트임을 기억하고 강력하게 강조해야 합니다. CCD는 별도로 수행됩니다. E Coli 균주의 새로운 배치를 포함한 다양한 원료 배치. |
| 일부 발효기는 달랐고 완전히 다른 운영자였습니다. 따라서 생명공학 분야에서 일하는 사람들에게 이것은 예상보다 어려운 일입니다. |
| 그래서 이번에도 모형은 DSD에 적합했고, 왼쪽은 41항 모형인 증강 모형이고, 예측오차의 전체 표준편차는 약 67이다. |
| 오른쪽에서 다시 성능 향상에 도움이 되는 모델 평균을 사용했습니다. 21항의 완전 이차 모델에만 적합하며 예측 오류가 약 70임을 알 수 있습니다. |
| 사실, 많은 사람들이 완전한 2차 유용한 2차 모델을 수행하지 않기 때문에 모델 평균화를 사용하지 않으면 성능이 상당히 나빠질 것입니다. 괜찮아. |
| 그래서 모델이 있습니다. 그걸로 무엇을 합니까? 음, 우리의 목표는 일반적으로 최적화와 특성화입니다. 프로파일러를 열어보겠습니다. 내가 실제로 당신을 위해 이것을 할 것입니다. |
| 프로파일러와 그래프 메뉴로 이동하겠습니다. 최고의 모델을 사용하겠습니다. 그리고 그것은 Predictum 추가 기능을 사용하는 것입니다. 그런데 이 추가 기능에 관심이 있다면 |
| 베타 테스트를 하고 Predictum에 연락하고 Wayne@predictum.com으로 이메일을 보내주시면 기꺼이 연락을 드리겠습니다. 그래서 나는 ... |
| 모델로 이동한 다음 바람직함을 사용하여 |
| 저는 생산량을 극대화하는 설정을 찾을 것입니다. 그런데, |
| 이것은 그들이 역사적으로 얻었던 생산에 대한 주요 개선 사항이며 우리가 볼 수 있는 설정을 제공합니다. |
| 개선된 성능과 이러한 것들은 다소 직관적이지 않지만 일반적으로 복잡한 시스템의 경우입니다. |
| 사물은 당신이 생각하는 것만큼 직관적이지 않습니다. 그리고 특히 CMC 경로에서 후기 개발을 수행하는 경우 정말 중요한 것입니다. |
| 즉, 입력이 중요한 입력의 중요성을 평가하기를 원합니다. |
| 변수 중요도를 평가합니다. 다시 말하지만, 나는 모든 기술적인 세부 사항을 다루지 않을 것입니다. |
| 따라서 반응의 변화 측면에서 이송 속도가 가장 중요하다는 것을 보여줍니다. 그것은 사람들에게 반드시 직관적이지는 않았습니다. 두 번째는 용존 산소 비율입니다. |
| 그래서 그것이 당신에게 무엇을 말해주는가? 첫 번째로 이러한 변수를 더 잘 제어할 수 있습니다. 그렇지 않으면 |
| 많은 변형. 자, 이 특별한 경우에 저는 품질 속성에 대해 중요하지 않습니다. 사용할 수 있는 항목이 없습니다. |
| 따라서 우리가 가진 것은 비즈니스 속성에 중요하고 그것이 pDNA 생산입니다. 그러나 JMP에서 디자인 공간을 완전히 특성화하기 위해 할 수 있는 일이 더 있습니다. 내가 한 것은 최적화뿐이었지만 그것은 특성화가 아닙니다. 프로파일러에는 또 다른 훌륭한 도구가 있습니다. 괜찮아. |
| 시뮬레이터라고 합니다. 그리고 이것은 필요한 만큼 많이 사용되지 않습니다. 그래서 내가 한 일은 입력에 대한 분포를 정의했습니다. |
| 즉, 입력이 다양할 것으로 예상합니다. 이것은 FDA가 알고 싶어하는 것과 같은 것입니다. 입력으로서 프로세스의 성능에 어떤 일이 발생합니까? 특히 규모를 확장하면 완벽하게 제어되는 프로세스가 없습니다. |
| 그건 그렇고, 제가 생각하는 동안, 이러한 더 복잡한 모델, 이러한 증강된 완전 2차 모델, |
| 경험에 비추어 볼 때 완전 2차 모델보다 확장성이 우수하다고 말할 수 있습니다. 이것이 더 복잡한 모델에 맞는 또 다른 이유입니다. |
| 그래서 시뮬레이터에는 시뮬레이션 실험이라는 멋진 도구가 있습니다. 그리고 그것이 하는 일은 우리가 공간을 채우는 디자인이라고 부르는 일을 합니다. 전체 디자인 영역에 걸쳐 포인트를 분배합니다. 그래서 저는 256개의 런을 하고 싶다고 말할 것입니다. |
| 그리고 각 지점에서 평균 표준 편차와 전체 결함을 계산하는 5000번의 시뮬레이션을 수행할 것입니다. 오른쪽. |
| 그래서 이것은 실제로 꽤 빨리 진행됩니다. 출력이 어떻게 생겼는지 보여드리겠습니다. 그리고 다시, 나는 이미 이것을 했습니다. |
| 그래서 시간을 내기 위해 다른 데이터 테이블을 열겠습니다. |
| 다른 하나는 최소화하십시오. |
| 이것이 시뮬레이션 연구의 결과입니다. |
| 그리고 모든 세부 사항에 대해 설명하지는 않겠지만 모델을 기본 모델에 맞추고 표준 편차에 모델을 맞추고 전체 불량률에 모델을 맞춥니다. |
| 그리고 일부 영역의 결함률은 낮고 일부 영역은 상대적으로 높으며 시뮬레이션 데이터와 함께 일반적으로 사용되는 가우시안 프로세스 모델이라고 합니다. 그래서 우리는 이것들로 무엇을 할 수 있습니까? |
| 모델과 이러한 시뮬레이션 결과? 다시 말하지만 특성화가 중요합니다. 그래서 간단하게 아이디어를 드리겠습니다. |
| 여기 3차원 산점도가 있습니다. 이송 속도와 DO 퍼센트가 정말 중요하기 때문에 살펴보고 있습니다. 그리고 플롯된 포인트는 불량률에 따라 가중치가 부여됩니다. 더 큰 |
| 구체는 더 높은 결함 비율을 의미합니다. 그래서 주위를 둘러보면. 우리가 확실히 운영하고 싶지 않은 일부 지역이 있음을 알 수 있습니다. |
| 그래서 우리는 디자인 공간을 특성화하고 운영하기에 더 안전한 지역을 찾습니다. 그리고 물론, 나는 이것을 위해 이것을 할 수 있었다 |
| 다른 변수를 선택하면 어떤 경우에도 정말로 피하고 싶은 다른 영역이 표시됩니다. 그리고 우리는 이것으로 더 많은 것을 할 수 있지만 그것이 요점이라고 생각합니다. 우리도 할 수 있는 곳 |
| 계속해서 프로파일러를 사용하고 다시 최적화하겠습니다. |
| 하지만 저는 다른 방식으로 할 것입니다. 이런 식으로 평균 pDNA를 최대화하고 싶습니다. |
| 그리고 이중적인 대응을 하고 싶습니다. 그리고 전체적인 불량률을 최소화하고 싶습니다. |
| 그래서 다시, 나는 계속해서 바람직함을 사용할 것입니다. |
| 몇 분 정도 걸립니다. 이것은 우리가 최적화하고 있는 매우 복잡한 모델입니다. |
| 그리고 주의, 그것이 나타나 말한다. |
| 높은 이송 속도, 높은 DO, |
| 중성 pH 및 유도에 가깝습니다. 그건 그렇고 인덕션, 인덕션 OD 600이 무엇인지 알고 싶다면 미생물 질량의 척도입니다. |
| 그리고 일단 당신이 특정 질량에 도달하면(아무도 그것이 무엇인지 확신하지 못하기 때문에 우리가 실험을 하는 것입니다) 당신은 물질의 온도를 높입니다. 그리고 이것은 실제로 |
| E를 강제합니다. 대장균은 pDNA나 플라스미드를 퍼내기 시작했고, 그들은 이것을 하도록 설계되었습니다. 그래서 우리는 그것을 유도 온도라고 부릅니다. 괜찮아. 음, 설정에서 주의하세요. |
| 우리는 낮은 결함률을 보장했지만 전반적인 최적화 응답은 높지 않았습니다. 그러나 우리는 또한 결함을 생성하는 경향이 덜한 프로세스를 갖게 될 것임을 기억하십시오. |
| 자, 이 시점에서, |
| 빨리 끝까지 가겠습니다. |
| 슬라이드. 모든 것이 이 슬라이드에 있습니다. 모두 업로드 되었습니다. |
| 에게 |
| JMP 커뮤니티. 그리고 이 마지막 부분에는 요약이 있으며 기본적으로 우리가 보여주고 있는 것은 그 프로세스와 제품 개발입니다. |
| CMC 경로(그 중 일부는 설계에 의한 품질임)를 사용하려면 전체론적 또는 통합적 접근 방식이 필요합니다. 많은 시스템 사고가 필요합니다. |
| 프로세스 설계 및 개발은 본질적으로 예측 문제이며 머신 러닝과 딥 러닝의 영역입니다. 그것은 당신이 생각하는 것과 다릅니다. 건물을 짓는 것은 평소와 같은 일이 아닙니다. |
| 특히 예측을 위한 통계 모델. 부분 가중치 부트스트랩 자동 검증 및 모델 평균화 |
| 매우 효과적이고 정확한 예측 모델을 생성할 수 있습니다. 그리고 저는 또한 코넬과 몽고메리의 더 복잡한 증강 모델이 실제로 매우 중요하다는 점을 강조하고 싶습니다. |
| 그것들은 실제로 더 잘 확장되고 더 나은 특성화를 제공합니다. 이상으로 감사의 말씀을 드리며 발표를 마치겠습니다. |
