Altoparlante | Trascrizione |
| Tiffany | Innanzitutto, grazie per esserti unito a noi oggi. Parleremo della caratterizzazione di diverse bioelaborazioni... vedendo... e concentrandoci davvero sul pDNA, vedendo come il bootstrapping pesato in modo frazionario può davvero |
| aggiungere ai tuoi processi. Quindi Phil si unirà a me nella seconda metà della presentazione per esaminare il JMP |
| esempio, oltre a fornire alcune tecniche diverse. |
| da essere usato. |
| Parlerò della strategia CMC, della biotecnologia, di come possiamo immettere un farmaco sul mercato e di come possiamo utilizzare nuovi strumenti come FWB per fornire i nostri processi. |
| Quindi iniziamo. Quindi il viaggio nel controllo della produzione chimica. Quindi è un viaggio molto lungo e ne discuteremo. |
| Perché DOE, perché la modellazione predittiva? È molto complesso portare un farmaco sul mercato. Non si tratta solo degli esperimenti, ma anche della clinica. |
| e far andare tutto insieme. Quindi esamineremo anche gli approcci di pensiero sistemico. E poi, ovviamente, caratterizzare quel bioprocesso e poi il caso di studio che farà Phil |
| discutere. Allora, che aspetto ha il percorso CMC? Questo è un esempio generale e andiamo dalla tossicologia. Quindi è da vedere che non ha alcuna efficacia. Funziona. |
| in un processo non umano. Fino alla produzione commerciale e ci sono molte cose che entrano in questo, ad esempio, lo sviluppo del processo. |
| Ma devi anche avere un profilo del prodotto target. Cosa vuoi che faccia effettivamente il farmaco che stai sviluppando? Ed è importante capirlo mentre lo stai attraversando. E poi ovviamente il |
| anche il profilo del prodotto target di qualità. Questo è... quali sono gli aspetti necessari affinché la molecola funzioni come prescritto? |
| E poi esaminiamo gli attributi di qualità critici e poi seguiamo il processo quindi è... è un... è un gruppo |
| a causa del fatto che hai lo sviluppo del tuo processo, la caratterizzazione del processo, la qualificazione del processo e il BLA. C'è un'enorme quantità di lavoro che va in ciascuno di questi passaggi. |
| E vogliamo anche assicurarci che mentre attraversi le tue diverse fasi, stai effettivamente costruendo questi dati |
| raggruppamenti. Perché quando arrivi alla caratterizzazione del processo e alla qualificazione del processo, vuoi assicurarti di poter sfruttare quante più informazioni passate possibile, in modo da abbreviare effettivamente |
| le tue tempistiche. Potresti dire: "Tiffany, elaboro la caratterizzazione, durante tutto il processo". E io dirò: "Assolutamente". Ma la caratterizzazione del processo specifica per il percorso CMC è ciò di cui abbiamo bisogno da un punto di vista normativo. |
| Quindi probabilmente tutti hanno sentito nei notiziari, sai, vaccini e terapie cellulari e geniche. È un argomento molto caldo in questo momento, e lo è anche |
| portando nuovi trattamenti a pazienti che non siamo mai stati in grado di trattare prima. |
| E così nei due grandi raggruppamenti di terapie cellulari e terapie geniche, ci sono diversi aspetti per questo. Giusto. Quindi abbiamo le immunoterapie. Abbiamo le cellule staminali. |
| Stiamo facendo medicina rigenerativa. Quindi immagina, sai, di avere un danno alla schiena e di essere in grado di rigenerarsi. C'è enorme |
| enfasi su questo raggruppamento. Ma c'è anche un'enorme enfasi sulle terapie geniche. Vettori virali. Usiamo vettori batterici? Come otteniamo il DNA |
| nel sistema per essere un trattamento per i pazienti? Bene, il DNA plasmatico è uno di quegli aspetti e Phil ha un fantastico caso di studio in cui hanno fatto un'ottimizzazione. |
| Quindi potresti dire, beh, "Cos'è il pDNA. E perché è importante, a parte, va bene, fa parte dello spazio della terapia genica, che è molto interessante in questo momento?" |
| Beh, il fatto è che può essere usato per... nei vaccini preventivi, agenti immunizzanti, per... Preparare... preparare l'iperimmunoglobulina |
| vaccini contro il cancro, vaccini terapeutici, sostituzioni geniche. O forse sì |
| un bambino, giusto, che ha una rara mutazione genetica. Possiamo entrare e fare quelle riparazioni? Tutte queste cose sono intorno a questo e mentre la tecnologia della terapia genica continua a crescere, |
| le normative continuano ad aumentare man mano che ci si avvicina alla commercializzazione e aumenta anche la quantità di dati. |
| Immagina solo che le terapie geniche e le terapie cellulari siano dove eravamo più di 20 anni fa con il ??? coltura cellulare e anticorpi monoclonali |
| È un mondo fantastico in cui impariamo cose nuove ogni giorno e diciamo: "Oh, |
| questa non è una piattaforma." Abbiamo bisogno di nuove attrezzature. Abbiamo bisogno di nuovi modi di lavorare. Dobbiamo essere in grado di analizzare set di dati molto, molto piccoli perché nelle terapie cellulari e nelle terapie geniche, il numero di pazienti è in genere inferiore rispetto ad altre indicazioni. |
| Allora, qual è il prossimo passo per il pDNA? Bene, ovviamente, poiché il mercato della terapia cellulare e della terapia genica continua a crescere, continueremo su questa strada |
| nella commercializzazione. Dobbiamo essere in grado di lavorare con la FDA e lavorare con loro, mano nella mano, perché queste sono cose che non abbiamo mai fatto prima. Stiamo usando materie prime che non usiamo e altro |
| ...altre indicazioni per i farmaci. Quindi ci sono molte cose da fare. È anche fondamentale essere in grado di produrre questi prodotti come il pDNA in modo che il modo in cui otteniamo il vettore nel nostro appropriato |
| volume, ma anche aspetto qualitativo. Quindi, se hai la migliore medicina del mondo, ma non sei in grado di farcela, allora non hai la medicina. Giusto? Non puoi consegnarlo ai pazienti. |
| Quindi dobbiamo anche assicurarci che il nostro processo sia ben caratterizzato. E come ho detto prima, molte di queste indicazioni sono molto piccole. Quindi anche gli studi clinici sono piccoli. |
| E allo stesso tempo i pazienti sono spesso molto, molto malati. Quindi essere in grado di analizzare i nostri dati e anche rispondere alle loro esigenze molto rapidamente è molto importante. |
| Sia nell'aspetto clinico che quando veniamo commercializzati. Non vogliamo avere questa situazione in cui, indovina un po', non posso produrre la droga, giusto? Voglio essere in grado di farcela. |
| Anche la produzione è una cosa molto importante. Quindi non so se l'hai notato nelle notizie, ce ne sono state molte |
| annunci di espansioni. Naturalmente, le persone stanno espandendo la capacità per i vaccini, ma anche una delle grandi mosse è il pDNA. Le persone spendono milioni di dollari, a volte miliardi di dollari |
| nell'aumentare quei siti di produzione. E potresti dire, beh, ok, aumenti il tuo sito di produzione. |
| È fantastico. Ma ora devo essere in grado di trasferire la tecnologia in quel sito di produzione. Devo assicurarmi che il mio processo sia robusto... robusto e non solo |
| può essere trasferito e ampliato, ma assicurandomi di avere il potere statistico per dirlo |
| So che il mio processo è sotto controllo. Potrei avere una variabilità del 2%, ma ho sempre una variabilità del 2% e l'ho caratterizzata, per esempio. |
| E man mano che sempre più capacità arrivano online e poiché abbiamo anche carenze, è come, dove porto il mio prodotto e prendendoli in considerazione, quindi progettando per la produzione prima. |
| E potresti avere più prodotti nella tua pipeline. Quindi vuoi assicurarti che stai imparando e in grado di andare a prendere quelle informazioni e dire, lasciami fare un po 'di modellazione predittiva su questo, potrebbe non essere il prodotto esatto, ma ha attributi simili. |
| Quindi, con ciò, il percorso verso la commercializzazione è molto integrato, proprio come la strategia CMC prende l'aspetto clinico, |
| tutto si riunisce per far progredire una molecola. Abbiamo anche |
| pensare all'aspetto sistemico di esso. Perché? Perché se facciamo qualcosa nello spazio a monte potremmo aumentare la produttività a |
| 200%, diciamo, che stiamo dicendo, "sì, ho raggiunto la mia pietra miliare. Posso consegnare al mio paziente." Ma se il mio downstream o la mia cella |
| il recupero non può effettivamente recuperare il prodotto, sia che si tratti di una cellula o di una proteina terapeutica per esempio, allora non abbiamo un prodotto. Tutto quel lavoro è in qualche modo buttato fuori dalla porta. Quindi avere i sistemi |
| approccio, assicurandoti di coinvolgere tutti i diversi gruppi dal mondo degli affari, della catena di approvvigionamento, del controllo di qualità, scoprendo ... tutti hanno la conoscenza che portano sul tavolo per consegnare alla fine al paziente, il che è molto fondamentale. |
| Quindi ora lo consegnerò a Phil. Mi sarebbe piaciuto parlare molto di più di come abbiamo sviluppato i farmaci, ma vediamo... vediamo come possiamo analizzare alcuni dei nostri dati. Quindi, Phil, ora te lo consegno. |
| Filippo Ramsey | Ok, quindi grazie, Tiffany, per questa discussione |
| per preparare il terreno per quello che sarà un caso di studio. Trascorrerò la maggior parte del tempo in JMP dimostrando alcuni degli strumenti importanti che esistono in JMP. Potresti anche non sapere che ci sono, |
| che sono in realtà molto importanti per lo sviluppo del processo, specialmente nel contesto del percorso CMC, del controllo della produzione chimica e della qualità per progettazione. |
| E due caratteristiche importanti dello sviluppo del processo, e questo è in generale, |
| è quello in cui vuoi progettare un processo, ma devi anche caratterizzarlo. In effetti, devi caratterizzare l'intera regione operativa. |
| E, naturalmente, vogliamo ottimizzare in modo da avere una produzione altamente desiderabile. Ciò di cui spesso non parliamo abbastanza è che queste attività riguardano intrinsecamente la previsione. |
| Dobbiamo costruire potenti modelli predittivi che ci consentano di prevedere le prestazioni future. Questa è una parte molto importante, specialmente nello sviluppo in fase avanzata, per le agenzie di regolamentazione. Devi dimostrare |
| che puoi produrre un prodotto in modo affidabile. Bene, un articolo chiave su questo problema di caratterizzazione e previsione del processo è stato un articolo molto famoso di George Box e dei suoi |
| coorte Wilson, che era un ingegnere. |
| E in questo hanno parlato di ciò che è l'inizio di, come la gente nota oggi, come superficie di risposta. |
| E la chiave di tutto questo è il loro lavoro con qualcosa che hanno chiamato il modello quadratico completo. Ebbene, che cos'è? Bene, questo è un modello che contiene gli effetti principali, |
| tutte le interazioni a due vie e gli effetti quadratici. E questo è probabilmente ancora il gold standard per i modelli di processo di costruzione, specialmente per la produzione. |
| Ma ciò che le persone potrebbero non capire, sono utili per l'ottimizzazione. Sono buone approssimazioni di secondo ordine a queste funzioni di risposta sconosciute. Ciò che non è ben compreso è che, nell'intera regione del progetto, spesso sono una scarsa approssimazione della superficie di risposta. |
| E nel 1996 il defunto John Cornell e, naturalmente, molti lo sanno, Doug Montgomery hanno pubblicato un articolo che è davvero sottovalutato. |
| E poi quel documento hanno sollevato il fatto che il modello quadratico completo spesso è inadeguato per caratterizzare uno spazio di progettazione. Pensaci dal punto di vista di uno scienziato e pensa a quanto sono dinamici questi biochimici |
| i processi spesso lo sono. In altre parole, c'è una grande quantità di non linearità che porta a superfici di risposta con pronunciata curvatura composta in diverse regioni. |
| E il modello quadratico completo semplicemente non può gestirlo. Quindi quello che hanno proposto è stato aumentare quel disegno e hanno aggiunto cose come quadratico per lineare, lineare per quadratico e persino |
| interazioni quadratiche per quadratiche. Si scopre che questi modelli approssimano le regioni di progettazione meglio dei modelli quadratici completi. Te lo dimostrerò tra un momento. |
| Ma c'era un problema per loro. Numero uno, agli statistici tradizionali non piaceva l'approccio; sta cambiando radicalmente in questi giorni. |
| Ma ci sono molti di questi termini che possono essere aggiunti a un modello tale che anche un grande design composito centrale |
| diventa super saturo. Che cosa significa? Significa che ci sono più incognite p, quindi ci sono osservazioni e adattare i modelli. Si scopre che non è davvero un vincolo in questi giorni nell'era dell'apprendimento automatico e delle nuove tecniche per la modellazione predittiva. |
| Quindi quello che faremo è usare qualcosa chiamato bootstrap ponderato frazionario. Questo può essere fatto in JMP Pro. |
| E qualcosa chiamato calcolo della media del modello per costruire modelli per prevedere le superfici di risposta, e in realtà userò questi grandi modelli aumentati. |
| Ok, quindi quando provi a costruire questi modelli predittivi, diciamo per la qualità in base alla progettazione, ci sono una serie di cose di cui devi essere consapevole. Uno, |
| sempre nel 1996, uno dei pionieri dell'apprendimento automatico, il compianto Leo Brieman, scrisse un articolo che ancora una volta non è stato apprezzato quanto dovrebbe. E ha sottolineato |
| che tutti questi algoritmi di costruzione di modelli che usiamo per la previsione (e che include la selezione in avanti, tutti i modelli possibili, i migliori sottoinsiemi, lazo) |
| sono intrinsecamente instabili. Che cosa significa? Essere instabili significa che piccole perturbazioni nei dati possono portare a modelli estremamente variabili. |
| Quindi ha fatto del lavoro per sottolineare questo e ha suggerito una strategia, ha detto: "Bene, se potessi, in qualche modo, simulare |
| l'adattamento del modello e in qualche modo perturbare i dati su ogni esecuzione di simulazione, potremmo adattare un gran numero di modelli e quindi calcolarne la media". E ha dimostrato che aveva del potenziale. |
| Non aveva molti strumenti in quell'epoca per farlo. Ma oggi ti mostrerò in JMP Pro, abbiamo molti strumenti e ti mostreremo che l'idea di Brieman è in realtà un'ottima idea. |
| Ora è in un modo o nell'altro, comunemente accettato nell'apprendimento automatico e nell'apprendimento profondo, che è l'idea della modellazione dell'insieme e della media del modello. |
| A proposito, sottolineerò rapidamente anni fa nella piattaforma graduale di JMP, John Sall ha istituito una forma di media del modello. È una gemma nascosta in JMP. Funziona bene ed è disponibile in entrambe le versioni di JMP, ma offrirò una soluzione più completa |
| che può essere fatto in JMP Pro. E questa soluzione è indicata come bootstrap ponderato in modo frazionario con convalida automatica e spiegherò cosa significa. |
| Quando costruiamo modelli predittivi, abbiamo una sfida. Abbiamo bisogno di un set di addestramento adatto al modello, quindi ne abbiamo bisogno di un altro |
| o set di dati di convalida per testare il modello per vedere quanto bene prevederà. Bene, DOE semplicemente non ha queste prove aggiuntive disponibili. In effetti, Brieman era bloccato su questo punto. |
| Non c'è modo di generare davvero un errore di convalida. Bene, nel 2017 alla Discovery Frankfurt, Chris Gotwalt, capo della ricerca statistica per JMP, e io |
| ha presentato un discorso e quello che abbiamo chiamato bootstrap ponderato frazionario e convalida automatica. Cosa significa convalida automatica? Significa che questo non sembrerà |
| intuitivo, useremo il training set anche come validation set. Tu dici: "Beh, è pazzesco. Sono gli stessi dati". |
| Ma c'è una salsa segreta in questa tecnica che la fa funzionare. Quello che facciamo è prendere i dati originali, copiarli, chiamarli insieme di convalida automatica, |
| e poi, in modo speciale, assegniamo pesi casuali alle osservazioni e facciamo la ponderazione |
| in modo tale da guidare l'anticorrelazione tra il set di addestramento e il set di convalida automatica. E ve lo illustrerò molto brevemente. |
| Va bene. E a proposito, abbiamo supervisionato il mio studente di dottorato Trent Lempkis, che ha studiato ampiamente questo metodo in simulazioni esaustive nell'ultimo anno. |
| E pubblicheremo un documento per dimostrare che questo metodo produce effettivamente risultati superiori agli approcci classici alla costruzione di modelli predittivi dal DOE. |
| Quindi andrò avanti qui e parlerò del caso di studio. E questo è ciò che ha menzionato Tiffany |
| pDNA. È un argomento molto caldo e il produttore di pDNA è considerato una grande area di crescita e il mondo delle biotecnologie prevede una grande crescita, forse anche del 40% |
| anno dopo anno a causa di tutte le nuove terapie in arrivo online dove verrà utilizzato. |
| E in questo caso, e questo è molto comune nel mondo delle biotecnologie, non ci sono davvero dati esistenti che possiamo usare per costruire modelli predittivi. |
| Quindi questo ci porta giustamente alla progettazione di esperimenti. E in questo caso, useremo un progetto di schermatura definitivo. |
| Queste sono meravigliose invenzioni di Brad Jones di JMP e Chris Nachtsheim dell'Università del Minnesota. |
| Altamente efficienti e li consiglio vivamente sempre alle persone nel mondo delle biotecnologie in cui hai tempo e risorse limitati per la sperimentazione. |
| Quindi in pratica vi sto solo mostrando uno schema di come appare un bioprocesso. E ci concentreremo sulla fase di fermentazione. |
| Ma in pratica, come alludeva Tiffany, esamineremmo gli aspetti sia a monte che a valle di questo processo. |
| pH, percentuale di ossigeno disciolto, temperatura di induzione. Questa è la temperatura a cui impostiamo il fermentatore per ottenere il... |
| geneticamente modificato E. Coli per iniziare a pompare fuori i plasmidi. E cosa sono i plasmidi? Beh, sono davvero DNA non cromosomico. |
| E hanno molti usi nelle terapie, specialmente nelle terapie geniche, e sono separati dal solito DNA cromosomico che potresti trovare nei batteri. |
| Quindi il nostro obiettivo è ottenere questi E. Coli per estrarre quanto più pDNA possibile. Quindi abbiamo fatto il processo. Questo è un vero e proprio esperimento. E poiché eravamo nuovi ai DSD, abbiamo anche utilizzato un design composito centrale tradizionale più grande, molto più grande. E lo abbiamo fatto separatamente. |
| E quello che ho intenzione di fare è per il lavoro di oggi, useremo il CCD come set di convalida e adatteremo i modelli usando la convalida automatica sul DSD. Vedremo come va. Ok, quindi ora passerò a JMP. |
| E aprirò una tabella di dati. Ecco i dati DSD. Faremo tutti i nostri modelli su questo set di dati. E oh, a proposito, adatterò un modello predittore 40 a 15 |
| eseguire la progettazione utilizzando tecniche di apprendimento automatico. E molte persone, dovrai capire il fatto che puoi fare queste cose e che in realtà vengono fatte tutto il tempo nell'apprendimento automatico e nell'apprendimento profondo. |
| Quindi ci sono un paio di componenti aggiuntivi che voglio mostrarti che lo rendono facile da fare. Hai bisogno di JMP Pro. Uno di questi è un componente aggiuntivo che prepara la tavola per te. Questo è di Michael Anderson di JMP. |
| Quindi ti mostrerò solo cosa succede. Il componente aggiuntivo è disponibile su JMP Communities. |
| Quindi nota che ci sono voluti i dati originali, |
| creato un set di convalida. E come ho detto, |
| abbiamo anche questo schema di ponderazione e questi pesi sono generati casualmente e, come vedrai tra un momento, facciamo uno studio di simulazione e cambiamo costantemente i pesi su ogni |
| correre. E questo ha l'effetto di generare nuovamente migliaia di iterazioni di modellazione. E vedrai anche, come ha avvertito Leo Brieman, come te |
| perturbare le risposte (non cambiamo la struttura dei dati), vedi variazioni selvagge nei modelli. Quindi andrò avanti e vi illustrerò questo molto velocemente. |
| Quindi vado a adattare il modello. |
| E dobbiamo dire a JMP dove sono memorizzati i pesi. Useremo la regressione generalizzata, altamente raccomandata per questo. |
| E poiché questa è una demo veloce, userò la selezione in avanti, ma questa è una procedura SWB molto generale con convalida automatica. Puoi usarlo in molti, molti diversi scenari di previsione o modellazione. Farò la selezione in avanti. Ok, quindi mi adatto a un modello. |
| E poi vengo al |
| tabella delle stime. Farò clic con il tasto destro e selezionerò simula. |
| E gli dico che voglio fare un certo numero di corse di simulazione, e ad ogni prova voglio scambiare i pesi. Voglio generare nuovi pesi. E comunque, ne farò solo 10 perché questa è una demo. |
| Quindi ci sono i risultati. E puoi vedere che abbiamo 10 modelli e tutti sono abbastanza diversi. |
| Quindi, di nuovo, in pratica, farei migliaia di queste iterazioni. E poi te lo mostrerò più tardi, |
| possiamo quindi prendere questi coefficienti e calcolarne la media insieme. E comunque, se vedi zero, significa che turn non è entrato in un modello. Ok, quindi quello che farò ora è mostrarti un'altra aggiunta. |
| Quindi chiuderò parte di questo, in modo da mantenere lo schermo ordinato. |
| C'è un altro componente aggiuntivo che abbiamo sviluppato a Predictum. E questo fa, non solo il bootstrap ponderato per fazione, ma sviluppa anche la media del modello. In altre parole, |
| quello che ti ho appena mostrato, l'aggiunta che puoi usare se vuoi fare la media del modello, sei un po' da solo. Va bene. Sarà solo un sacco di lavoro manuale. |
| Quindi userò il componente aggiuntivo Predictum. Crea la tabella e poi lo farò molto velocemente, solo per trovare un modello per illustrare come funziona l'aggiunta, userò un modello di superficie di risposta standard. |
| Vogliamo predire il pDNA. E useremo gen reg. |
| Quindi ancora una volta, a titolo illustrativo, andrò avanti e userò la selezione in avanti in avanti. |
| E ancora, faccio migliaia di iterazioni in pratica, ma ne farò solo 10. |
| Fare clic su Vai. |
| Va bene. |
| Filippo Ramsey | Ancora una volta, questo è un rapido, questo è davvero, mi scuso, tre discorsi fusi in uno, ma tutti i pezzi si incastrano nel framework QbD. Quindi ho un modello. Questi sono coefficienti medi. Di nuovo, ne ho fatti solo 10. Salverei la formula di previsione nella tabella dei dati. |
| E cercherò di mantenere lo schermo il più ordinato possibile. |
| Quindi c'è la mia formula; l'app ha fatto tutto il calcolo della media per te, quindi non devi farlo tu. |
| Ed ecco la formula. E un piccolo trucco di cui potresti non essere a conoscenza, questa è una formula disordinata, specialmente se vuoi distribuire questa formula ad altre tabelle di dati. Nell'Editor di formule c'è una funzione molto carina chiamata semplifica. |
| Vedi, e semplifica l'equazione e la rende molto più distribuibile ad altri set di dati. Ok, quindi questa era un'illustrazione del metodo. |
| E quello che farò ora è mostrare cosa è successo |
| quando abbiamo seguito l'intera procedura. Quindi questa è una tabella di dati. E qui noterai la banca dati DSD e CCD combinati insieme. |
| E ho utilizzato la variabile di stato della riga per eliminare o escludere i dati DSD perché voglio concentrarmi sulle prestazioni dei miei modelli sui dati di convalida. Anche in questo caso i modelli sono adatti solo al DSD. |
| Quindi ecco il mio 41 mandato |
| modello. Questo è il quadratico completo aumentato fatto con la media del modello su migliaia di iterazioni. E per confronto ho ripetuto lo stesso processo |
| per il modello quadratico completo a 21 termini molto più piccolo. Quindi come abbiamo fatto in termini di previsione? Quindi lascia che ti mostri un paio di trame reali rispetto a quelle previste. |
| Quindi ricorda, e devo sottolineare con forza, questo è un vero test di convalida. Il CCD viene eseguito separatamente. Diversi lotti di materie prime, incluso un nuovo lotto del ceppo E Coli. |
| Alcuni dei fermentatori erano diversi ed erano operatori completamente diversi. Quindi, per quelli di voi che lavorano nelle biotecnologie, sapete, questo è un lavoro di previsione tanto difficile quanto quello che vi aspetta. |
| Quindi, ancora una volta, il modello era adatto al DSD, e sulla sinistra c'è il modello a 41 termini, il modello aumentato, e la deviazione standard complessiva dell'errore di previsione è di circa 67. |
| Sulla destra, ancora una volta, ho utilizzato la media del modello che aiuta a migliorare le prestazioni, ho inserito solo il modello quadratico completo a 21 termini e puoi vedere che l'errore di previsione è di circa 70. |
| In effetti, senza utilizzare la media del modello poiché molte persone non eseguono un utile modello quadratico quadratico completo, quindi le prestazioni sarebbero significativamente peggiori. Va bene. |
| Allora ho il modello. Cosa ne faccio? Bene, il nostro obiettivo è in genere l'ottimizzazione e la caratterizzazione. Quindi lasciami aprire un profiler. Lo farò davvero per te. |
| Quindi vado al profiler e al menu grafico. Userò il mio modello migliore. E questo è quello che usa il componente aggiuntivo Predictum. E a proposito, se sei interessato a questo componente aggiuntivo, e anche |
| Beta testing, basta contattare Predictum, basta inviare un'e-mail a Wayne@predictum.com e sono sicuro che sarebbe più che felice di parlare con te. Quindi ho intenzione di... |
| Sono andato al modello e poi usando la desiderabilità, |
| Troverò solo le impostazioni che massimizzano la produzione. E comunque, |
| questo è un grande miglioramento rispetto alla produzione che storicamente stavano ottenendo e ci fornisce impostazioni a cui dovremmo vedere |
| sulle prestazioni migliorate e questi erano, tra l'altro, in qualche modo non intuitivi, ma di solito è così nei sistemi complessi. |
| Le cose non sono mai così intuitive come pensi. E poi anche qualcosa di veramente importante, specialmente se stai facendo uno sviluppo in fase avanzata nel percorso CMC. |
| E cioè, vogliono che tu valuti l'importanza degli input, quali input sono importanti. |
| valutare l'importanza variabile. Ancora una volta, non entrerò in tutti i dettagli tecnici. |
| Quindi va avanti e ti mostra, in termini di variazione nella risposta, la velocità di avanzamento è di gran lunga la più importante. Questo non era necessariamente intuitivo per le persone. E il secondo è la percentuale di ossigeno disciolto. |
| Quindi, cosa ti dice? Beh, ti dice, numero uno, è meglio che tu controlli queste variabili molto bene, o probabilmente lo farai |
| molta variazione. Ora, in questo caso particolare, non ho attributi critici per la qualità. Non ce n'erano disponibili. |
| Quindi quello che abbiamo è un attributo fondamentale per il business ed è la produzione di pDNA, ma c'è altro che possiamo fare in JMP per caratterizzare completamente lo spazio di progettazione. Tutto quello che ho fatto è stata un'ottimizzazione, ma questa non è caratterizzazione. Quindi c'è un altro meraviglioso strumento nel profiler. Va bene. |
| Si chiama simulatore. E questo non è usato tanto quanto dovrebbe essere. Quindi quello che ho fatto, ho definito le distribuzioni per gli input. |
| Cioè, mi aspetto che gli input varino. Questo è qualcosa che la FDA vuole sapere. Cosa succede alle prestazioni del tuo processo come input molto. Non ci sono processi perfettamente controllati, soprattutto una volta che si aumenta. |
| A proposito, mentre ci penso, questi modelli più complessi, questi modelli quadratici completi aumentati, |
| per esperienza, posso dirti che aumentano meglio dei modelli quadratici completi. Questo è un altro motivo per adattare questi modelli più complessi. |
| Quindi nel simulatore c'è un simpatico strumento chiamato esperimento di simulazione. E quello che fa, fa quello che chiamiamo un design che riempie lo spazio. Distribuisce i punti sull'intera regione del disegno. Quindi dirò solo che voglio fare 256 corse. |
| e farà 5000 simulazioni, ad ogni punto calcolerà una deviazione standard media e un difetto complessivo. Giusto. |
| Quindi questo in realtà va abbastanza velocemente. E ti sto solo mostrando come appare l'output. E ancora, l'ho già fatto. |
| Quindi, nell'interesse del tempo, aprirò un'altra tabella di dati. |
| Minimizza l'altro. |
| Quindi questi sono i risultati dello studio di simulazione. |
| E non entrerò in tutti i dettagli, ma adeguo un modello al principale, adeguo il modello alla deviazione standard e adeguo un modello al tasso di difetti complessivo. |
| E i tassi di difetto in alcune aree sono bassi, in alcune sono relativamente alti e questi sono quelli che chiamiamo modelli di processo gaussiani, che sono comunemente usati con dati simulati. Quindi cosa possiamo fare con questi |
| modelli e con questi risultati di simulazione? Bene, ancora una volta, la caratterizzazione è importante. Quindi lascia che ti dia una rapida idea. |
| Ecco un grafico a dispersione tridimensionale, stiamo osservando la velocità di avanzamento e la percentuale DO, perché sono davvero importanti. E i punti tracciati sono ponderati in base al tasso di difetti; più grande |
| sfere significano tassi di difetto più elevati. Quindi, se guardi intorno a questo. Puoi vedere che ci sono alcune regioni in cui sicuramente non vogliamo operare. |
| Quindi stiamo caratterizzando i nostri spazi di progettazione e trovando regioni più sicure in cui operare. E, naturalmente, potrei farlo per |
| scegli solo altre variabili e, in ogni caso, mostra solo altre regioni che vuoi davvero evitare. E possiamo fare di più con questo, ma penso che questo faccia il punto. Dove possiamo anche |
| vai avanti e usa di nuovo il profiler e ottimizzerò di nuovo. |
| Ma lo farò in un modo diverso. In questo modo voglio massimizzare il pDNA medio. |
| E voglio fare una doppia risposta. E voglio ridurre al minimo il tasso di difetti complessivo. |
| Quindi, di nuovo, andrò avanti e userò la desiderabilità. |
| Questo richiede alcuni minuti. Questi sono modelli molto complessi che stiamo ottimizzando. |
| E notate, viene fuori e dice |
| alta velocità di avanzamento, alto DO, |
| vicino al pH neutro e l'induzione. A proposito, l'induzione, se vuoi sapere cos'è l'OD 600 dell'induzione, è una misura della massa microbica |
| e una volta raggiunta una certa massa (nessuno è abbastanza sicuro di cosa sia, quindi è per questo che facciamo l'esperimento) allora aumenti la temperatura della materia. E questo in realtà |
| costringe l'E. Coli per iniziare a pompare pDNA o plasmidi, e sono progettati per farlo. Quindi la chiamiamo temperatura di induzione. Va bene. Bene, nota nelle impostazioni, |
| ci viene garantito un basso tasso di difetti, la risposta di ottimizzazione complessiva non è stata così elevata. Ma ricorda, avremo anche un processo meno incline a generare difetti. |
| Ok, quindi a questo punto, |
| Andrò rapidamente alla fine. |
| La diapositiva. Quindi tutto è in queste diapositive. Sono stati tutti caricati |
| A |
| Comunità JMP. E alla fine di questo c'è un riepilogo esecutivo e fondamentalmente quello che ti stiamo mostrando è lo sviluppo del processo e del prodotto |
| l'utilizzo del percorso CMC (e una parte di questo è quality by design) richiede un approccio olistico o integrato. Un sacco di pensiero sistemico deve entrare in esso. |
| La progettazione e lo sviluppo del processo sono intrinsecamente un problema di previsione, e questo è il dominio dell'apprendimento automatico e del deep learning. Non è quello che potresti pensare; non è normale per la costruzione |
| modelli in statistica, in particolare per la previsione. Ti abbiamo mostrato la convalida automatica del bootstrap e la media del modello con ponderazione frazionaria |
| può generare modelli predittivi molto efficaci e accurati. E voglio anche, ancora una volta, sottolineare che questi modelli aumentati più complessi di Cornell e Montgomery sono in realtà piuttosto importanti. |
| Loro, scalano davvero meglio e ti danno una migliore caratterizzazione. E con questo vi ringrazio e concludo la mia presentazione. |
