Conférencier | Transcription |
| Tiffany | Tout d'abord, merci de vous joindre à nous aujourd'hui. Nous allons parler de la caractérisation de différents biotraitements... voir... et nous concentrer vraiment sur l'ADNp, voir comment le bootstrapping à pondération fractionnée peut vraiment |
| ajouter à vos processus. Donc Phil me rejoindra dans la seconde moitié de la présentation pour passer par le JMP |
| exemple, ainsi que de donner quelques techniques différentes. |
| à utiliser. |
| Je vais parler de la stratégie CMC, de la biotechnologie, de la façon de mettre un médicament sur le marché et de la façon dont nous pouvons utiliser de nouveaux outils comme FWB afin de livrer nos processus. |
| Alors, commençons. Ainsi, le voyage de contrôle de la fabrication de produits chimiques. C'est donc un très long voyage et nous en discuterons. |
| Pourquoi DOE, pourquoi la modélisation prédictive ? Il est très complexe de mettre un médicament sur le marché. Il ne s'agit pas seulement des expériences, mais aussi de la clinique. |
| et que tout aille de pair. Nous examinerons donc également les approches de pensée systémique. Et puis, bien sûr, caractérisant ce biotraitement, puis l'étude de cas que Phil va |
| discuter. Alors, à quoi ressemble le parcours CMC ? C'est un exemple général et on part de la toxicologie. C'est donc à voir qu'il n'a aucune efficacité. Est-ce que ça marche. |
| dans un procès non humain. Jusqu'à la fabrication commerciale et il y a beaucoup de choses qui entrent en ligne de compte, par exemple, le développement de processus. |
| Mais il faut aussi avoir un profil produit cible. Que voulez-vous que le médicament que vous développez fasse réellement ? Et il est important de comprendre cela au fur et à mesure que vous traversez. Et puis bien sûr le |
| profil de produit cible de qualité ainsi. C'est... quels sont les aspects qui sont nécessaires pour que la molécule fonctionne comme prescrit ? |
| Et ensuite, nous examinons les attributs de qualité critiques, puis suivons le processus afin que ce soit... c'est un... c'est un groupe |
| en raison du fait que vous avez votre développement de processus, la caractérisation de processus, la qualification de processus et le BLA. Il y a une énorme quantité de travail qui va dans chacune de ces étapes. |
| Et nous voulons également nous assurer qu'au fur et à mesure que vous traversez vos différentes phases, vous construisez réellement ces données |
| groupements. Parce que lorsque vous arrivez à la caractérisation et à la qualification des processus, vous voulez vous assurer que vous pouvez exploiter autant que possible vos informations passées, de sorte que vous avez réellement raccourci |
| vos délais. Vous pourriez dire : « Tiffany, je traite la caractérisation, tout au long du processus. Et je dirai : « Absolument. Mais la caractérisation du processus spécifique à la voie CMC est ce dont nous avons besoin d'un point de vue réglementaire. |
| Donc tout le monde a probablement entendu parler dans les nouvelles, vous savez, des vaccins et des thérapies cellulaires et géniques. C'est un sujet très brûlant en ce moment, et c'est aussi |
| apporter de nouveaux traitements à des patients que nous n'avions jamais pu traiter auparavant. |
| Et donc dans les deux grands groupes de thérapies cellulaires et de thérapies géniques, il y a différents aspects. Droite. Nous avons donc des immunothérapies. Nous avons des cellules souches. |
| Nous faisons de la médecine régénérative. Alors imaginez, vous savez, avoir des dommages au dos et être capable de se régénérer. Il y a énorme |
| l'accent sur ce regroupement. Mais l'accent est également mis sur les thérapies géniques. Vecteurs viraux. Utilisons-nous des vecteurs bactériens ? Comment obtient-on l'ADN |
| dans le système afin d'être un traitement pour les patients? Eh bien, l'ADN plasmatique est l'un de ces aspects et Phil a une étude de cas incroyable où ils ont fait une optimisation. |
| Donc, vous pourriez dire, eh bien, "Qu'est-ce que l'ADNp. Et pourquoi est-ce important, à part, d'accord, cela fait partie de l'espace de la thérapie génique, ce qui est très intéressant en ce moment ?" |
| Eh bien, le fait est qu'il peut être utilisé pour... dans les vaccins préventifs, les agents de vaccination, pour... préparer... la préparation d'hyperimmunoglobuline |
| vaccins anticancéreux, vaccins thérapeutiques, faire des remplacements de gènes. Ou peut-être avez-vous |
| un enfant, d'accord, qui a une mutation génétique rare. Pouvons-nous entrer et faire ces réparations ? Toutes ces choses sont autour de cela et à mesure que la technologie de la thérapie génique continue de croître, |
| les réglementations continuent d'augmenter à mesure que vous vous rapprochez de la commercialisation et la quantité de données augmente également. |
| Imaginez simplement que les thérapies géniques et les thérapies cellulaires sont là où nous en étions il y a plus de 20 ans avec le ??? culture cellulaire et anticorps monoclonaux |
| C'est un monde incroyable où nous apprenons de nouvelles choses chaque jour et nous nous disons "Oh, |
| ce n'est pas une plate-forme." Nous avons besoin de nouveaux équipements. Nous avons besoin de nouvelles façons de travailler. Nous devons être capables d'analyser des ensembles de données qui sont très, très petits parce que dans les thérapies cellulaires et les thérapies géniques, le nombre de patients est généralement plus petit que dans d'autres indications. |
| Quelle est la prochaine étape pour l'ADNp ? Eh bien, bien sûr, alors que le marché de la thérapie cellulaire et de la thérapie génique continue de croître, nous allons continuer sur cette voie |
| dans la commercialisation. Nous devons pouvoir travailler avec la FDA et travailler avec elle, main dans la main, car ce sont des choses que nous n'avons jamais faites auparavant. Nous utilisons des matières premières que nous n'utilisons pas et d'autres |
| ...d'autres indications de médicaments. Il y a donc beaucoup de choses à faire. Il est également essentiel de pouvoir fabriquer ces produits comme l'ADNp afin que la façon dont nous obtenons le vecteur de notre manière appropriée |
| volume, mais aussi aspect qualitatif. Donc, si vous avez le meilleur médicament au monde, mais que vous n'êtes pas capable de le fabriquer, alors vous n'avez pas le médicament. Droite? Vous ne pouvez pas le livrer aux patients. |
| Nous devons donc également nous assurer que notre processus est bien caractérisé. Et comme je l'ai mentionné plus tôt, bon nombre de ces indications sont très petites. Les essais cliniques sont donc également de petite taille. |
| Et en même temps, les patients sont souvent très, très malades. Il est donc très important de pouvoir analyser nos données et de répondre très rapidement à leurs besoins. |
| Tant dans l'aspect clinique que lorsque nous devenons commercialisés. Nous ne voulons pas avoir cette situation où, devinez quoi, je ne peux pas fabriquer la drogue, n'est-ce pas ? Je veux pouvoir le faire. |
| La fabrication est également une chose très importante. Alors je ne sais pas si vous avez remarqué dans les nouvelles, il y a eu beaucoup de |
| annonces d'extensions. Bien sûr, les gens étendent la capacité des vaccins, mais l'un des grands mouvements est également l'ADNp. Les gens dépensent des millions de dollars, parfois des milliards de dollars |
| dans l'augmentation de ces sites de fabrication. Et vous pourriez dire, eh bien, d'accord, vous augmentez votre site de fabrication. |
| C'est super. Mais maintenant, je dois pouvoir effectuer un transfert de technologie vers ce site de fabrication. Je dois m'assurer que mon processus est robuste... robuste et pas seulement |
| peut être transféré et mis à l'échelle, mais en veillant à ce que j'ai le pouvoir statistique de dire |
| Je sais que mon processus est sous contrôle. J'ai peut-être une variabilité de 2 % mais j'ai toujours une variabilité de 2 % et je la fais caractériser, par exemple. |
| Et comme de plus en plus de capacité est en ligne et que nous avons également des pénuries, c'est comme, où dois-je apporter mon produit et en tenir compte, donc concevoir pour la fabrication plus tôt. |
| Et vous pourriez avoir plusieurs produits dans votre pipeline. Donc, vous voulez vous assurer que vous apprenez et que vous êtes capable d'aller chercher ces informations et de dire, laissez-moi faire une modélisation prédictive à ce sujet, ce n'est peut-être pas le produit exact, mais il a des attributs similaires. |
| Donc avec ça, le chemin vers la commercialisation est très intégré, tout comme la stratégie CMC prend l'aspect clinique, |
| tout est réuni pour faire progresser une molécule. Nous avons aussi |
| réfléchir à son aspect systémique. Pourquoi? Parce que si nous faisons quelque chose dans l'espace en amont, nous pourrions augmenter la productivité pour |
| 200%, disons, où nous allons, "oui j'ai franchi mon cap. Je peux livrer à mon patient." Mais si mon aval ou ma cellule |
| récupération ne peut pas réellement récupérer le produit, qu'il s'agisse d'une cellule ou d'une protéine thérapeutique par exemple, alors nous n'avons pas de produit. Tout ce travail est en quelque sorte jeté par la porte. Donc avoir les systèmes |
| approche, en veillant à impliquer tous les différents groupes de l'entreprise, de la chaîne d'approvisionnement, du CQ, de la découverte... tout le monde a des connaissances qu'ils apportent à la table afin de les livrer au patient en fin de compte, ce qui est très important. |
| Je vais donc céder la parole à Phil maintenant. J'aurais aimé parler beaucoup plus de la façon dont nous avons développé des médicaments, mais voyons... voyons comment nous pouvons analyser certaines de nos données. Alors, Phil, je vais vous céder la parole maintenant. |
| Philippe Ramsey | D'accord, alors merci, Tiffany, pour cette discussion |
| pour préparer le terrain pour ce qui va être une étude de cas. Je vais passer la majeure partie de mon temps dans JMP à présenter certains des outils importants qui existent dans JMP. Vous ne savez peut-être même pas qu'ils sont là, |
| qui sont en fait très importants pour le développement de procédés, en particulier dans le cadre de la voie CMC, du contrôle de la fabrication chimique et de la qualité dès la conception. |
| Et deux caractéristiques importantes du développement de processus, et c'est en général, |
| est celui où vous voulez concevoir un processus, mais vous devez également le caractériser. En fait, vous devez caractériser toute la région d'exploitation. |
| Et bien sûr, nous voulons optimiser pour avoir une production hautement désirable. Ce dont nous ne parlons souvent pas assez, c'est que ces activités sont intrinsèquement liées à la prédiction. |
| Nous devons construire des modèles prédictifs puissants qui nous permettent de prédire les performances futures. C'est une partie très importante, en particulier au stade avancé du développement, pour les agences de réglementation. Vous devez démontrer |
| que vous pouvez fabriquer un produit de manière fiable. Eh bien, un article clé sur cette question de la caractérisation et de la prédiction des processus était un article très célèbre de George Box et de son |
| cohorte Wilson, qui était ingénieur. |
| Et en cela, ils ont parlé de ce qui est le début de, comme les gens le notent aujourd'hui, comme surface de réponse. |
| Et la clé de leur travail avec quelque chose qu'ils ont appelé le modèle quadratique complet. Eh bien, qu'est-ce que c'est? Eh bien, c'est un modèle qui contient les principaux effets, |
| toutes les interactions bidirectionnelles et les effets quadratiques. Et c'est probablement encore l'étalon-or pour la construction de modèles de processus, en particulier pour la production. |
| Mais ce que les gens ne réalisent peut-être pas, c'est qu'ils sont bons pour l'optimisation. Ce sont de bonnes approximations de second ordre de ces fonctions de réponse inconnues. Ce qui n'est pas aussi bien compris, c'est que sur toute la région de conception, ils sont souvent une mauvaise approximation de la surface de réponse. |
| Et en 1996, le regretté John Cornell et, bien sûr, beaucoup de gens le savent, Doug Montgomery ont publié un article qui est vraiment sous-estimé. |
| Et puis cet article, ils ont soulevé le fait que le modèle quadratique complet est souvent inadéquat pour caractériser un espace de conception. Pensez-y du point de vue d'un scientifique et pensez à la dynamique de ces biochimiques |
| les processus le sont souvent. En d'autres termes, il y a beaucoup de non-linéarité qui conduit à des surfaces de réponse avec une courbure composée prononcée dans différentes régions. |
| Et le modèle quadratique complet ne peut tout simplement pas y faire face. Donc, ce qu'ils proposent, c'est d'augmenter cette conception et ils ont ajouté des choses comme quadratique par linéaire, linéaire par quadratique et même |
| interactions quadratiques par quadratiques. Il s'avère que ces modèles se rapprochent mieux des régions de conception que les modèles quadratiques complets. Je vais vous le démontrer dans un instant. |
| Mais il y avait un problème pour eux. Premièrement, les statisticiens traditionnels n'aimaient pas l'approche ; cela change radicalement ces jours-ci. |
| Mais il y a beaucoup de ces termes qui peuvent être ajoutés à un modèle de sorte que même une grande conception composite centrale |
| devient super saturé. Qu'est-ce que cela signifie? Cela signifie qu'il y a plus d'inconnues p, qu'il y a d'observations et pour ajuster les modèles. Il s'avère que ce n'est pas vraiment une contrainte de nos jours à l'ère de l'apprentissage automatique et des nouvelles techniques de modélisation prédictive. |
| Donc, ce que nous allons faire, c'est utiliser quelque chose appelé bootstrapping à pondération fractionnaire. Cela peut être fait dans JMP Pro. |
| Et quelque chose qui s'appelle la moyenne des modèles pour construire des modèles pour prédire les surfaces de réponse, et je vais en fait utiliser ces grands modèles augmentés. |
| D'accord, donc lorsque vous essayez de construire ces modèles prédictifs, disons pour la qualité dès la conception, il y a un certain nombre de choses dont vous devez être conscient. Un, |
| encore une fois en 1996, l'un des pionniers de l'apprentissage automatique, le regretté Leo Brieman, a écrit un article qui, encore une fois, n'est pas apprécié autant qu'il devrait l'être. Et il a souligné |
| que tous ces algorithmes de construction de modèles que nous utilisons pour la prédiction (et cela inclut la sélection directe, tous les modèles possibles, les meilleurs sous-ensembles, le lasso) |
| sont intrinsèquement instables. Qu'est-ce que cela signifie? Être instable signifie que de petites perturbations dans les données peuvent entraîner des modèles extrêmement variables. |
| Il a donc fait un travail pour le souligner et il a suggéré une stratégie en disant : "Eh bien, si vous pouviez, d'une manière ou d'une autre, simuler |
| ajuster le modèle et perturber d'une manière ou d'une autre les données à chaque simulation, nous pourrions ajuster un grand nombre de modèles, puis en faire la moyenne." Et il a montré que cela avait du potentiel. |
| Il n'avait pas beaucoup d'outils à cette époque pour le faire. Mais aujourd'hui, je vais vous montrer dans JMP Pro, nous avons beaucoup d'outils et nous allons vous montrer que l'idée de Brieman est en fait une très bonne idée. |
| C'est maintenant d'une manière ou d'une autre, communément acceptée dans l'apprentissage automatique et l'apprentissage en profondeur, qu'est l'idée de la modélisation d'ensemble et de la moyenne des modèles. |
| Soit dit en passant, je soulignerai rapidement qu'il y a des années, dans la plate-forme pas à pas de JMP, John Sall a institué une forme de calcul de la moyenne des modèles. C'est un joyau caché dans JMP. Fonctionne bien et est disponible dans les deux versions de JMP, mais je vais proposer une solution plus complète |
| cela peut être fait dans JMP Pro. Et cette solution est appelée bootstrapping à pondération fractionnée avec validation automatique et je vais expliquer ce que cela signifie. |
| Lorsque nous construisons des modèles prédictifs, nous avons un défi. Nous avons besoin d'un ensemble de formation pour s'adapter au modèle, puis nous avons besoin d'un autre |
| ou un ensemble de données de validation pour tester le modèle afin de voir dans quelle mesure il prédit. Eh bien, le DOE n'a tout simplement pas ces essais supplémentaires disponibles. En fait, Brieman était bloqué sur ce point. |
| Il n'y a aucun moyen de vraiment générer une erreur de validation. Eh bien, en 2017 à Discovery Frankfurt, Chris Gotwalt, responsable de la recherche statistique pour JMP, et moi-même |
| a présenté un exposé et ce que nous avons appelé le bootstrap et la validation automatique à pondération fractionnée. Que signifie la validation automatique ? Cela signifie que cela ne semblera pas |
| intuitif, nous allons utiliser l'ensemble de formation également comme ensemble de validation. Vous dites: "Eh bien, c'est fou. Ce sont les mêmes données." |
| Mais il y a une sauce secrète à cette technique qui la fait fonctionner. Ce que nous faisons, c'est que nous prenons les données d'origine, les copions, appelons cela l'ensemble de validation automatique, |
| puis nous attribuons d'une manière spéciale des poids aléatoires aux observations et nous effectuons la pondération |
| de sorte que nous conduisons une anticorrélation entre l'ensemble d'apprentissage et l'ensemble de validation automatique. Et je vais vous illustrer cela très prochainement. |
| D'accord. Et en passant, nous avons supervisé mon doctorant Trent Lempkis, qui a étudié cette méthode de manière approfondie dans des simulations exhaustives au cours de la dernière année. |
| Et nous publierons un article pour montrer que cette méthode donne en fait des résultats supérieurs aux approches classiques de construction de modèles prédictifs à partir du DOE. |
| Je vais donc continuer ici et parler de l'étude de cas. Et c'est ce que Tiffany a mentionné |
| ADNp. C'est un sujet très brûlant et le fabricant de pDNA est considéré comme un grand secteur de croissance et le monde de la biotechnologie s'attend à une forte croissance, peut-être même 40 % |
| d'année en année à cause de toutes les nouvelles thérapies mises en ligne là où elles seront utilisées. |
| Et dans ce cas, et c'est très courant dans le monde de la biotechnologie, il n'y a pas vraiment de données existantes que nous pouvons utiliser pour construire des modèles prédictifs. |
| Cela nous amène donc à juste titre au plan d'expériences. Et dans ce cas, nous allons utiliser une conception de dépistage définitive. |
| Ce sont de merveilleuses inventions de Brad Jones de JMP et de Chris Nachtsheim de l'Université du Minnesota. |
| Très efficace et je les recommande vivement tout le temps aux personnes du monde de la biotechnologie où vous avez peu de temps et de ressources pour l'expérimentation. |
| Donc, fondamentalement, je vous montre juste un schéma de ce à quoi ressemble un bioprocédé. Et nous allons nous concentrer sur l'étape de fermentation. |
| Mais en pratique, comme Tiffany y faisait allusion, nous examinions les aspects en amont et en aval de ce processus. |
| pH, pourcentage d'oxygène dissous, température d'induction. C'est la température à laquelle nous réglons le fermenteur pour obtenir le |
| E génétiquement modifié. Coli pour commencer à pomper des plasmides. Et que sont les plasmides ? Eh bien, ce sont vraiment de l'ADN non chromosomique. |
| Et ils ont de nombreuses utilisations dans les thérapies, en particulier les thérapies géniques, et ils sont séparés de l'ADN chromosomique habituel que l'on trouve dans les bactéries. |
| Notre objectif est donc d'obtenir ces modifications E. Coli pour pomper autant d'ADNp que possible. Nous avons donc fait le procès. Il s'agit d'une véritable expérience. Et parce que nous étions nouveaux dans les DSD, nous avons également exécuté une conception composite centrale traditionnelle plus grande et beaucoup plus grande. Et nous l'avons fait séparément. |
| Et ce que je prévois de faire, c'est que pour le travail d'aujourd'hui, nous allons utiliser le CCD comme ensemble de validation et nous allons ajuster les modèles en utilisant la validation automatique sur le DSD. Nous verrons comment ça se passe. Bon, je vais maintenant passer à JMP. |
| Et je vais ouvrir une table de données. Voici les données DSD. Nous allons faire toute notre modélisation sur cet ensemble de données. Et oh, au fait, je vais adapter un modèle prédictif 40 à un modèle 15 |
| exécuter la conception à l'aide de techniques d'apprentissage automatique. Et beaucoup de gens, vous allez devoir comprendre que vous pouvez faire ces choses et qu'elles sont en fait faites tout le temps dans l'apprentissage automatique et l'apprentissage en profondeur. |
| Il y a donc quelques compléments que je veux vous montrer qui rendent cela facile à faire. Vous avez besoin de JMP Pro. L'un d'eux est un complément qui met en place la table pour vous. C'est par Michael Anderson de JMP. |
| Alors je vais juste vous montrer ce qui se passe. Le complément est disponible sur les communautés JMP. |
| Remarquez qu'il a fallu les données d'origine, |
| créé un jeu de validation. Et comme je l'ai mentionné, |
| nous avons également ce schéma de pondération et ces poids sont générés de manière aléatoire, et comme vous le verrez dans un moment, nous faisons une étude de simulation et nous changeons constamment les poids sur chaque |
| courir. Et cela a pour effet de générer à nouveau des milliers d'itérations de modélisation. Et vous verrez aussi, comme Leo Brieman l'avait prévenu, que vous |
| perturber les réponses (nous ne changeons pas la structure des données), vous voyez une variation sauvage dans les modèles. Je vais donc aller de l'avant et vous illustrer cela très rapidement. |
| Je vais donc aller au modèle d'ajustement. |
| Et nous devons dire à JMP où les poids sont stockés. Nous allons utiliser la régression généralisée, fortement recommandée pour cela. |
| Et comme il s'agit d'une démonstration rapide, je vais utiliser la sélection directe, mais il s'agit d'une procédure SWB très générale avec validation automatique. Vous pouvez l'utiliser dans de très nombreux scénarios de prédiction ou de modélisation différents. Je vais faire une sélection en avant. D'accord, donc je monte un modèle. |
| Et puis je descends au |
| tableau des estimations. Je vais faire un clic droit et sélectionner simuler. |
| Et je lui dis que je veux faire un certain nombre de simulations, et à chaque essai, je veux échanger les poids. Je veux générer de nouveaux poids. Et au fait, je n'en ferai que 10 parce que c'est une démo. |
| Voilà donc les résultats. Et vous pouvez voir que nous avons 10 modèles et tous sont assez différents. |
| Donc, encore une fois, dans la pratique, je ferais des milliers de ces itérations. Et puis je vais vous montrer plus tard, |
| nous pouvons alors prendre ces coefficients et les moyenner ensemble. Et au fait, si vous voyez zéro, cela signifie que le virage n'est pas entré dans un modèle. D'accord, donc ce que je vais faire maintenant, c'est vous montrer un autre complément. |
| Je vais donc fermer une partie de cela, afin que nous gardions l'écran épuré. |
| Il y a un autre ajout que nous avons développé chez Predictum. Et celui-ci le fait, non seulement le bootstrap pondéré par la faction, mais il développe également la moyenne du modèle. Autrement dit, |
| ce que je viens de vous montrer, l'ajout que vous pouvez utiliser si vous voulez faire la moyenne d'un modèle, vous êtes un peu seul. D'accord. Ce sera juste beaucoup de travail manuel. |
| Je vais donc utiliser le complément Predictum. Il crée la table, puis je vais en fait très rapidement, juste pour trouver un modèle pour illustrer le fonctionnement de l'ajout, j'utiliserai un modèle de surface de réponse standard. |
| Nous voulons prédire l'ADNp. Et nous allons utiliser gen reg. |
| Donc, encore une fois, à titre d'illustration, je vais continuer et utiliser la sélection vers l'avant. |
| Et encore une fois, je fais des milliers d'itérations en pratique, mais je ne vais en faire que 10. |
| Cliquez sur Aller. |
| D'accord. |
| Philippe Ramsey | Encore une fois, c'est un rapide, c'est vraiment, je m'excuse, trois discussions fusionnées en une seule, mais toutes les pièces s'emboîtent dans le cadre QbD. J'ai donc un modèle. Ce sont des coefficients moyens. Encore une fois, je n'en ai fait que 10. J'enregistrerais la formule de prédiction dans la table de données. |
| Et je vais essayer de garder l'écran aussi épuré que possible. |
| Voilà donc ma formule; l'application a fait toute la moyenne pour vous, vous n'avez donc pas à le faire. |
| Et il y a la formule. Et une petite astuce dont vous n'êtes peut-être pas au courant, c'est une formule désordonnée, surtout si vous souhaitez déployer cette formule dans d'autres tables de données. Dans l'éditeur de formule, il existe une fonction très intéressante appelée simplifier. |
| Voir, et cela simplifie l'équation et la rend beaucoup plus déployable sur d'autres ensembles de données. D'accord, c'était donc une illustration de la méthode. |
| Et ce que je vais faire maintenant, c'est montrer ce qui s'est passé |
| lorsque nous avons parcouru toute la procédure. Il s'agit donc d'un tableau de données. Et ici, vous remarquerez que le DSD et la banque de données CCD sont combinés. |
| Et j'ai utilisé la variable d'état de ligne pour éliminer ou exclure les données DSD parce que je veux me concentrer sur les performances de mes modèles sur les données de validation. Encore une fois, les modèles sont adaptés au DSD uniquement. |
| Alors voici mon 41 mandat |
| modèle. Il s'agit de la quadratique complète augmentée réalisée avec une moyenne du modèle sur des milliers d'itérations. Et pour comparaison, j'ai répété le même processus |
| pour le modèle quadratique complet à 21 termes beaucoup plus petit. Alors, comment avons-nous fait en termes de prédiction? Alors laissez-moi vous montrer quelques parcelles réelles par prédictions. |
| Alors rappelez-vous, et je dois insister fortement, il s'agit d'un véritable test de validation. Le CCD est fait séparément. Différents lots de matière première dont un nouveau lot de la souche E Coli. |
| Certains des fermenteurs étaient différents, et ils étaient des opérateurs complètement différents. Donc, pour ceux d'entre vous qui travaillent dans la biotechnologie, vous savez, c'est un travail de prédiction aussi difficile que possible. |
| Encore une fois, le modèle a été ajusté au DSD, et à gauche se trouve le modèle à 41 termes, le modèle augmenté, et l'écart type global de l'erreur de prédiction est d'environ 67. |
| Sur la droite, encore une fois, j'ai utilisé la moyenne du modèle qui aide à améliorer les performances, je n'adapte que le modèle quadratique complet à 21 termes et vous pouvez voir que l'erreur de prédiction est d'environ 70. |
| En fait, sans utiliser la moyenne du modèle, car de nombreuses personnes ne font pas de modèle quadratique utile quadratique complet, les performances seraient donc bien pires. D'accord. |
| Alors j'ai le modèle. Qu'est-ce que j'en fais ? Eh bien, notre objectif est généralement l'optimisation et la caractérisation. Alors laissez-moi ouvrir un profileur. Je vais le faire pour vous. |
| Je vais donc aller dans le profileur et le menu graphique. Je vais utiliser mon meilleur modèle. Et c'est celui qui utilise le complément Predictum. Et d'ailleurs, si ce complément vous intéresse, et même |
| Testez-le en version bêta, contactez simplement Predictum, envoyez simplement un e-mail à Wayne@predictum.com et je suis sûr qu'il serait plus qu'heureux de vous parler. Alors je vais... |
| Je suis allé au modèle, puis en utilisant la désirabilité, |
| Je vais juste trouver des paramètres qui maximisent la production. Et d'ailleurs, |
| c'est une amélioration majeure par rapport à la production qu'ils obtenaient historiquement, et cela nous donne des paramètres auxquels nous devrions voir |
| sur l'amélioration des performances et celles-ci étaient, soit dit en passant, quelque peu peu intuitives, mais c'est généralement le cas dans les systèmes complexes. |
| Les choses ne sont jamais aussi intuitives que vous le pensez. Et puis aussi quelque chose de vraiment important, surtout si vous faites du développement à un stade avancé du cheminement CMC. |
| Et c'est-à-dire qu'ils veulent que vous évaluiez l'importance des intrants, quels intrants sont importants. |
| évaluer l'importance variable. Encore une fois, je n'entrerai pas dans tous les détails techniques. |
| Donc, cela passe et cela vous montre, en termes de variation de la réponse, que la vitesse d'alimentation est de loin la plus importante. Ce n'était pas nécessairement intuitif pour les gens. Et le deuxième est le pourcentage d'oxygène dissous. |
| Alors ça, qu'est-ce que ça te dit ? Eh bien, cela vous dit, numéro un, que vous feriez mieux de bien contrôler ces variables, sinon vous risquez d'avoir |
| beaucoup de variation. Maintenant, dans ce cas particulier, je n'ai pas d'attributs critiques pour la qualité. Il n'y en avait pas de disponible. |
| Donc, ce que nous avons est un attribut essentiel pour l'entreprise et c'est la production d'ADNp, mais nous pouvons faire plus dans JMP pour caractériser pleinement l'espace de conception. Tout ce que j'ai fait était une optimisation, mais ce n'est pas de la caractérisation. Il y a donc un autre outil merveilleux dans le profileur. D'accord. |
| C'est ce qu'on appelle le simulateur. Et ce n'est tout simplement pas utilisé autant qu'il le devrait. Donc ce que j'ai fait, j'ai défini des distributions pour les entrées. |
| Autrement dit, je m'attends à ce que les entrées varient. C'est quelque chose que la FDA veut savoir. Qu'advient-il de la performance de votre processus en tant qu'entrées très. Il n'y a pas de processus parfaitement maîtrisés, surtout une fois que vous évoluez. |
| Au fait, pendant que j'y pense, ces modèles plus complexes, ces modèles quadratiques complets augmentés, |
| par expérience, je peux vous dire qu'ils évoluent mieux que les modèles quadratiques complets. C'est une autre raison d'adapter ces modèles plus complexes. |
| Donc, dans le simulateur, il y a un bel outil appelé expérience de simulation. Et ce que cela fait, c'est ce que nous appelons une conception de remplissage d'espace. Il distribue les points sur toute la région de conception. Donc je vais juste dire que je veux faire 256 courses. |
| et il va faire 5000 simulations, calculer à chaque point un écart type moyen et un défaut global. Droite. |
| Cela va donc assez vite. Et je vous montre juste à quoi ressemble la sortie. Et encore une fois, je l'ai déjà fait. |
| Donc, dans l'intérêt du temps, je vais juste ouvrir une autre table de données. |
| Minimisez l'autre. |
| Voici donc les résultats de l'étude de simulation. |
| Et je n'entrerai pas dans tous les détails, mais j'ajuste un modèle au principal, j'ajuste le modèle à l'écart-type et j'ajuste un modèle au taux de défauts global. |
| Et les taux de défauts dans certains domaines sont faibles, dans certains d'entre eux sont relativement élevés et ce sont ce que nous appelons des modèles de processus gaussiens, qui sont couramment utilisés avec des données simulées. Alors que pouvons-nous faire avec ces |
| modèles et avec ces résultats de simulation? Eh bien, encore une fois, la caractérisation est importante. Alors permettez-moi de vous donner une idée rapide. |
| Voici un nuage de points en trois dimensions, nous examinons le taux d'alimentation et le pourcentage d'OD, car ils sont vraiment importants. Et les points tracés sont pondérés par le taux de défaut ; plus gros |
| les sphères signifient des taux de défauts plus élevés. Donc, si vous regardez autour de cela. Vous pouvez voir qu'il y a des régions où nous ne voulons absolument pas opérer. |
| Nous caractérisons donc nos espaces de conception et trouvons des régions plus sûres dans lesquelles opérer. Et bien sûr, je pourrais le faire pour |
| choisissez simplement d'autres variables et, dans tous les cas, cela montre simplement d'autres régions que vous voulez vraiment éviter. Et nous pouvons faire plus avec cela, mais je pense que cela fait le point. Où l'on peut aussi |
| allez-y et utilisez à nouveau le profileur et je vais réoptimiser. |
| Mais je vais le faire d'une manière différente. De cette façon, je veux maximiser l'ADNp moyen. |
| Et je veux faire une double réponse. Et je veux minimiser le taux global de défauts. |
| Encore une fois, je vais continuer et utiliser la désirabilité. |
| Cela prend quelques minutes. Ce sont des modèles très complexes que nous optimisons. |
| Et remarquez, il arrive et dit |
| taux d'alimentation élevé, DO élevé, |
| proche du pH neutre et de l'induction. Au fait, l'induction, si vous voulez savoir ce qu'est l'induction OD 600, c'est une mesure de la masse microbienne |
| et une fois que vous atteignez une certaine masse (personne ne sait vraiment ce que c'est, c'est pourquoi nous faisons l'expérience), vous augmentez alors la température de la matière. Et cela en fait |
| force l'E. Coli pour commencer à pomper de l'ADNp ou des plasmides, et ils sont conçus pour le faire. Nous appelons cela la température d'induction. D'accord. Eh bien, remarquez au niveau des paramètres, |
| nous sommes assurés d'un faible taux de défauts, la réponse d'optimisation globale n'était pas aussi élevée. Mais rappelez-vous, nous allons également avoir un processus moins susceptible de générer des défauts. |
| D'accord, donc à ce stade, |
| J'irai rapidement à la fin. |
| La glissière. Donc, tout est dans ces diapositives. Ils ont tous été téléchargés |
| à |
| Communautés JMP. Et à la fin de ceci se trouve un résumé et essentiellement ce que nous vous montrons, c'est que le développement de processus et de produits |
| l'utilisation de la voie CMC (et une partie de celle-ci est la qualité par conception) nécessite une approche holistique ou intégrée. Beaucoup de pensée systémique doit y entrer. |
| La conception et le développement de processus sont intrinsèquement un problème de prédiction, et c'est le domaine de l'apprentissage automatique et de l'apprentissage en profondeur. Ce n'est pas ce que vous pourriez penser; ce n'est pas comme d'habitude pour la construction |
| modèles en statistiques, en particulier pour la prédiction. Nous vous avons montré que la validation automatique du bootstrapping pondérée de manière fractionnée et la moyenne des modèles |
| peut générer des modèles prédictifs très efficaces et précis. Et moi aussi, encore une fois, je tiens à souligner que ces modèles augmentés plus complexes de Cornell et Montgomery sont en fait assez importants. |
| Ils, ils évoluent vraiment mieux et ils vous donnent une meilleure caractérisation. Sur ce, je vous remercie et je termine ma présentation. |
