揚聲器 | 成績單 |
| 蒂芙尼 | 首先，感謝您今天加入我們。 我們將討論描述不同生物處理的特徵...看到...並真正關注 pDNA，看看分數加權引導如何真正能夠 |
| 添加到您的流程中。 因此 Phil 將在演示的後半部分與我一起瀏覽 JMP |
| 示例，並給出一些不同的技術。 |
| 要使用的。 |
| 我將討論 CMC 策略、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。 |
| 那麼讓我們開始吧。 所以化學製造控制之旅。 所以這是一個非常漫長的旅程，我們將討論這個問題。 |
| 為什麼選擇能源部，為什麼選擇預測模型？ 將藥物推向市場非常複雜。 這不僅與實驗有關，還與臨床有關。 |
| 並讓一切順利進行。 因此，我們還將研究系統思維方法。 當然，然後，描述生物加工的特徵，然後菲爾將進行案例研究 |
| 討論。那麼CMC途徑是什麼樣的呢？ 這是一個一般性的例子，我們從毒理學出發。 所以那就看看有沒有什麼功效。 行得通嗎。 |
| 在非人類試驗中。 一直到商業製造，其中涉及很多事情，例如工藝開發。 |
| 但您還必須有目標產品簡介。 您希望您正在開發的藥物能夠真正發揮什麼作用？ 當你正在經歷的時候，理解這一點很重要。 然後當然是 |
| 質量目標產品概況也是如此。 這就是……為了使分子按規定發揮作用，需要哪些方面？ |
| 然後我們查看關鍵的質量屬性，然後完成整個過程，所以它......它是......它是一個團隊 |
| 因為您擁有工藝開發、工藝表徵、工藝鑑定和 BLA。 這些步驟中的每一步都需要進行大量的工作。 |
| 我們還希望確保當您經歷不同階段時，您實際上正在構建這些數據 |
| 分組。因為當您進行過程表徵和過程鑑定時，您希望確保可以盡可能多地利用過去的信息，以便實際上縮短了時間 |
| 你的時間表。 您可能會說，“蒂芙尼，我在整個過程中都在進行過程表徵。” 我會說：“當然。” 但從監管的角度來看，我們需要的是 CMC 途徑特有的過程表徵。 |
| 所以每個人可能都在新聞中聽說過疫苗、細胞和基因療法。 這是現在非常熱門的話題，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，你的背部受到損傷並且能夠再生。 有巨大的 |
| 強調這個分組。 但基因療法也受到高度重視。 病毒載體。 我們使用細菌載體嗎？ 我們如何獲得DNA |
| 進入系統以便為患者提供治療？ 嗯，血漿 DNA 就是其中之一，Phil 有一個令人驚嘆的案例研究，他們進行了優化。 |
| 所以你可能會說，“pDNA 是什麼？ 為什麼它很重要，除了，好吧，它是基因治療領域的一部分，目前非常有趣？” |
| 嗯，事實是，它可以用於...預防性疫苗、免疫劑、用於...製備...超免疫球蛋白的製備 |
| 癌症疫苗、治療性疫苗、基因替代。 或者也許你有 |
| 一個孩子，對，有罕見的基因突變。 我們可以進去修理嗎？ 所有這些事情都圍繞著這個，隨著基因治療技術的不斷發展， |
| 隨著商業化進程的推進，法規不斷增加，數據量也隨之增加。 |
| 試想一下，基因療法和細胞療法是我們 20 多年前的水平？細胞培養和單克隆抗體 |
| 這是一個令人驚奇的世界，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，患者數量通常比其他適應症要少。 |
| 那麼 pDNA 的下一步是什麼？ 當然，隨著細胞治療和基因治療市場的不斷增長，我們將繼續沿著這條路走下去 |
| 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。 我們使用我們不使用的原材料和其他 |
| ...其他藥物適應症。 所以還有很多事情要做。 能夠製造像 pDNA 這樣的產品也很重要，因此我們以適當的方式獲得載體的方式 |
| 數量方面，還有質量方面。 因此，如果你擁有世界上最好的藥物，但你無法製造出來，那麼你就沒有這種藥物。 正確的？ 你不能把它交給病人。 |
| 因此，我們還需要確保我們的流程具有良好的特徵。 正如我之前提到的，其中許多跡像都非常小。 所以臨床試驗也很小。 |
| 與此同時，病人往往病情非常非常嚴重。 因此，能夠分析我們的數據并快速響應他們的需求非常關鍵。 |
| 無論是在臨床方面還是在我們商業化方面。 我們不想出現這種情況，你猜怎麼著，我無法製造藥物，對吧？ 我希望能夠做到。 |
| 製造也是非常重要的事情。 不知道大家有沒有註意到，新聞裡有很多 |
| 擴張的公告。 當然，人們正在擴大疫苗產能，但其中一大舉措就是pDNA。 人們花費數百萬美元，有時甚至數十億美元 |
| 增加這些生產基地。 你可能會說，好吧，你增加你的生產基地。 |
| 那太棒了。 但現在我需要能夠將技術轉移到該生產基地。 我需要確保我的流程穩健...穩健，而且不僅 |
| 可以轉移和擴大規模，但要確保我有統計能力說 |
| 我知道我的過程是受控的。 例如，我可能有 2% 的變異性，但我總是有 2% 的變異性，並且我對其進行了表徵。 |
| 隨著越來越多的產能上線，而且我們也出現了短缺，這就像是，我該把我的產品帶到哪裡並考慮到這些，所以更早地進行製造設計。 |
| 您的管道中可能有多種產品。 因此，您要確保您正在學習並能夠獲取這些信息，然後說，讓我對此進行一些預測建模，它可能不是確切的產品，但它具有類似的屬性。 |
| 因此，商業化的路徑是非常綜合的，就像CMC策略涉及臨床方面一樣， |
| 一切都聚集在一起，以便分子通過。 我們還有 |
| 考慮它的系統方面。 為什麼？ 因為如果我們在上游領域做一些事情，我們可能會提高生產力 |
| 200%，比方說，我們將要達到的目標，“是的，我已經實現了我的里程碑。 我可以給我的病人送貨。” 但如果我的下游或我的細胞 |
| 回收實際上無法回收產品，無論是細胞治療劑還是蛋白質治療劑，那麼我們就沒有產品。 所有這些工作都被拋棄了。 所以有了系統 |
| 方法，確保您涉及來自業務、供應鏈、質量控制的所有不同團隊，發現……每個人都有他們帶到桌面上的知識，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。 我本來很想更多地談論我們如何開發藥物，但是讓我們......讓我們看看如何分析我們的一些數據。 所以，菲爾，我現在就把它交給你了。 |
| 菲利普·拉姆齊 | 好的，謝謝蒂芙尼的討論 |
| 為案例研究奠定基礎。 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。 你甚至可能不知道那裡有， |
| 這實際上對於工藝開發非常重要，特別是在 CMC 途徑、化學製造控制和質量源於設計的背景下。 |
| 流程開發的兩個重要特徵，一般而言， |
| 是您想要設計流程的地方，但您還需要描述它的特徵。 事實上，您必須描述整個操作區域的特徵。 |
| 當然，我們希望進行優化，以便獲得非常理想的產品。 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來預測未來的表現。 對於監管機構來說，這是一個非常重要的部分，尤其是在後期開發階段。 你必須證明 |
| 您可以可靠地生產產品。 嗯，關於過程表徵和預測問題的一篇關鍵論文是喬治·博克斯（George Box）和他的著名論文。 |
| 威爾遜是一名工程師。 |
| 正如人們今天所指出的，他們在其中討論了響應面的開始。 |
| 他們的關鍵是使用他們所謂的完整二次模型。 嗯，那是什麼？ 嗯，這是一個包含主效應的模型， |
| 所有雙向相互作用和二次效應。 這可能仍然是構建流程模型的黃金標準，尤其是生產過程模型。 |
| 但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。 人們不太了解的是，在整個設計區域中，它們通常是響應曲面的較差近似值。 |
| 1996 年，已故的約翰·康奈爾（John Cornell），當然還有很多人都知道的道格·蒙哥馬利（Doug Montgomery）發表了一篇論文，但實際上並沒有得到足夠的重視。 |
| 然後在那篇論文中，他們提出了這樣一個事實：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一下，這些生化反應是如何動態的？ |
| 過程往往是。 換句話說，存在大量的非線性，導致不同區域中的響應表面具有明顯的複合曲率。 |
| 而完整的二次模型根本無法處理它。 所以他們提出的是增強設計，他們添加了諸如二次乘線性、線性乘二次甚至 |
| 二次相互作用。 事實證明，這些模型比完全二次模型更能更好地近似設計區域。 稍後我將向您演示這一點。 |
| 但他們遇到了一個問題。 第一，傳統統計學家不喜歡這種方法；如今這種情況正在發生巨大變化。 |
| 但是有很多這樣的術語可以添加到模型中，這樣即使是大型的中心組合設計 |
| 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，這並不是真正的限制。 |
| 所以我們要做的是，我們將使用一種稱為分數加權引導的方法。 這可以在 JMP Pro 中完成。 |
| 以及稱為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，當您嘗試構建這些預測模型時，例如設計質量，您必須注意很多事情。 一， |
| 1996 年，機器學習領域的先驅之一、已故的 Leo Brieman 寫了一篇論文，但該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微小擾動可能會導致模型發生巨大變化。 |
| 所以他做了一些工作來指出這一點，並提出了一個策略，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。” 他證明了這有潛力。 |
| 在那個時代他沒有很多工具可以做到這一點。 但今天我將在 JMP Pro 中向您展示，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，機器學習和深度學習中普遍接受的一種方式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，John Sall 在 JMP 的逐步平台中建立了一種模型平均形式。 它是 JMP 中的一顆隱藏寶石。 效果很好，並且在兩個版本的 JMP 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分數加權引導，我將解釋這意味著什麼。 |
| 當我們構建預測模型時，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以查看其預測效果如何。 嗯，能源部根本沒有這些額外的試驗可用。 事實上，布里曼在這一點上陷入了困境。 |
| 沒有辦法真正生成驗證錯誤。 好吧，2017 年，在 Discovery 法蘭克福，JMP 統計研究主管 Chris Gotwalt 和我自己 |
| 做了一個演講，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，我們還將使用訓練集作為驗證集。 你說：“好吧，這太瘋狂了。 這是相同的數據。” |
| 但這項技術有一個秘訣可以發揮作用。 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，為觀察值分配隨機權重，然後進行加權 |
| 這樣我們就可以驅動訓練集和自動驗證集之間的反相關。 我很快就會向你們解釋這一點。 |
| 好的。 順便說一句，我們一直在指導我的博士生 Trent Lempkis，他去年在詳盡的模擬中廣泛研究了這種方法。 |
| 我們將發表一篇論文，以證明這種方法實際上比從 DOE 構建預測模型的經典方法產生更好的結果。 |
| 所以我將繼續討論這個案例研究。 這就是蒂芙尼提到的 |
| 質粒DNA。 這是一個非常熱門的話題，pDNA 製造商被認為是一個巨大的增長領域，生物技術界預計會有巨大的增長，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，這在生物技術領域很常見，我們實際上沒有任何現有數據可以用來構建預測模型。 |
| 因此，這引導我們正確地設計實驗。 在這種情況下，我們將使用明確的篩選設計。 |
| 這些都是 JMP 的 Brad Jones 和明尼蘇達大學的 Chris Nachtsheim 的精彩發明。 |
| 效率很高，我一直向生物技術領域的人們強烈推薦它們，因為他們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。 我們將重點關注發酵步驟。 |
| 但在實踐中，正如蒂芙尼所提到的，我們會審視這個過程的上游和下游方面。 |
| pH、溶解氧百分比、感應溫度。 這就是我們設置發酵罐的溫度，以獲得 |
| 轉基因E . 大腸桿菌開始泵出質粒。 什麼是質粒？ 嗯，它們確實是非染色體 DNA。 |
| 它們在治療方面有很多用途，尤其是基因治療，而且它們與細菌中常見的染色體 DNA 是分開的。 |
| 所以我們的目標是獲得這些修改過的E。 大腸桿菌泵出盡可能多的 pDNA。 所以我們進行了試驗。 這是一個實際的實驗。 由於我們對 DSD 很陌生，因此我們還運行了更大、更大的傳統中央複合設計。 我們是分開做的。 |
| 我計劃做的是，在今天的工作中，我們將使用 CCD 作為驗證集，並使用 DSD 上的自動驗證來擬合模型。 我們會看看事情進展如何。 好的，我現在要切換到 JMP。 |
| 我要打開一個數據表。 這是 DSD 數據。 我們將在此數據集上進行所有建模。 哦，順便說一句，我要將 40 的預測模型擬合到 15 |
| 使用機器學習技術運行設計。 對於很多人來說，你必須明白這樣一個事實：你可以做這些事情，而且它們實際上在機器學習和深度學習中一直在做。 |
| 因此，我想向您展示幾個插件，使這一切變得容易。 您確實需要 JMP Pro。 其中之一是為您設置表格的插件。 這是 JMP 的邁克爾·安德森 (Michael Anderson) 撰寫的。 |
| 所以我將向您展示會發生什麼。 該插件可在 JMP 社區上使用。 |
| 所以請注意它獲取了原始數據， |
| 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，正如您稍後會看到的，我們進行了模擬研究，並且不斷地改變每個的權重 |
| 跑步。這會產生再次生成數千次建模迭代的效果。 正如 Leo Brieman 警告的那樣，你還會看到，當你 |
| 擾亂響應（我們不更改數據結構），您會看到模型中存在巨大的變化。 所以我將繼續快速地向您說明這一點。 |
| 所以我要去擬合模型。 |
| 我們必須告訴 JMP 權重的存儲位置。 我們將使用強烈推薦的廣義回歸。 |
| 因為這是一個快速演示，所以我將使用前向選擇，但這是一個具有自動驗證功能的非常通用的 SWB 程序。 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，所以我適合一種型號。 |
| 然後我來到 |
| 估計表。 我將右鍵單擊並選擇模擬。 |
| 我告訴它我想要進行一些模擬運行，並且在每次試驗中我想要交換權重。 我想生成新的權重。 順便說一句，我只會做 10 個，因為這是一個演示。 |
| 這就是結果。 你可以看到我們有 10 個型號，而且每個型號都有很大不同。 |
| 因此，在實踐中，我會進行數千次這樣的迭代。 然後我稍後會向你展示， |
| 然後我們可以取這些係數並將它們一起平均。 順便說一句，如果您看到零，則意味著該轉彎未進入模型。 好的，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內容，以便我們保持屏幕整潔。 |
| 我們在 Predictum 開發了另一個附加功能。 這個不僅可以進行派系加權引導，還可以開發模型平均。 換句話說， |
| 我剛才向您展示的是，如果您想要進行模型平均，則可以使用該附加功能，您需要自己完成。 好的。 這只是大量的手工工作。 |
| 所以我將使用 Predictum 插件。 它創建了表格，然後我實際上會非常快地找到一個模型來說明添加項如何工作，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。 |
| 因此，再次作為說明，我將繼續使用前向選擇。 |
| 再說一次，我在實踐中進行了數千次迭代，但我只會做 10 次。 |
| 單擊“開始”。 |
| 好的。 |
| 菲利普·拉姆齊 | 再說一次，這是一次快速的、這確實是一次，我很抱歉，三個演講合併為一個，但所有部分都在 QbD 框架中組合在一起。 所以我有一個模型。 這些是平均係數。 再說一遍，我只做了10個。 我會將預測公式保存到數據表中。 |
| 我將盡力保持屏幕盡可能整潔。 |
| 這就是我的公式；該應用程序已為您完成所有平均操作，因此您無需執行此操作。 |
| 這就是公式。 還有一個你可能沒有意識到的小技巧，這是一個混亂的公式，特別是如果你想將此公式部署到其他數據表時。 在公式編輯器中，有一個非常簡潔的功能，稱為“簡化”。 |
| 看，它簡化了方程式，並且使其更易於部署到其他數據集。 好的，這是該方法的說明。 |
| 我現在要做的就是展示發生了什麼 |
| 當我們完成整個程序時。 所以這是一個數據表。 在這裡您會注意到 DSD 和 CCD 數據庫組合在一起。 |
| 我使用行狀態變量來消除或排除 DSD 數據，因為我想重點關注模型在驗證數據上的性能。 同樣，這些模型僅適合 DSD。 |
| 這是我的 41 學期 |
| 模型。這是通過對數千次迭代進行平均的模型完成的增強完全二次方程。 為了進行比較，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做得如何呢？ 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，包括新批次的大腸桿菌菌株。 |
| 有些發酵罐不一樣，而且是完全不同的操作者。 因此，對於那些從事生物技術工作的人來說，您知道，這是一項非常艱鉅的預測工作。 |
| 再次，該模型擬合了 DSD，左邊是 41 項模型，即增強模型，預測誤差的總體標準差約為 67。 |
| 在右側，我再次使用了模型平均，這有助於提高性能，我只擬合了 21 項完整二次模型，您可以看到預測誤差約為 70。 |
| 事實上，如果不使用模型平均，因為許多人不會使用完整的二次有用的二次模型，因此性能會明顯變差。 好的。 |
| 這樣我就有了模型。 我用它做什麼？ 嗯，我們的目標通常是優化和表徵。 那麼讓我打開一個分析器。 我實際上會為你做這件事。 |
| 所以我將轉到分析器和圖形菜單。 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，如果您對此添加感興趣，甚至 |
| 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... |
| 進入模型，然後使用意願， |
| 我只是要找到最大化產量的設置。 順便說一下， |
| 這是對他們歷史上的製作的重大改進，它為我們提供了我們應該看到的設置 |
| 順便說一句，這些都有點不直觀，但在復雜系統中通常是這種情況。 |
| 事情從來不像你想像的那麼直觀。 還有一些非常重要的事情，特別是如果您正在 CMC 途徑中進行後期開發。 |
| 也就是說，他們希望你評估輸入的重要性，哪些輸入很重要。 |
| 評估變量的重要性。 再次強調，我不會討論所有的技術細節。 |
| 所以它向您展示，就響應的變化而言，進給速率是迄今為止最重要的。 這對人們來說不一定是直觀的。 第二個是溶解氧百分比。 |
| 那麼，這告訴你什麼？ 好吧，它告訴你，第一，你最好很好地控制這些變量，否則你可能會 |
| 有很多變化。 現在，在這種特殊情況下，我對質量屬性沒有關鍵性的要求。 沒有可用的。 |
| 因此，我們所擁有的是對業務屬性至關重要的 pDNA 生產，但我們可以在 JMP 中做更多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。 所以分析器中還有另一個很棒的工具。 好的。 |
| 這叫模擬器。 但這並沒有得到應有的使用。 所以我所做的就是定義輸入的分佈。 |
| 也就是說，我預計輸入會有所不同。 這是 FDA 想要了解的事情。 作為輸入，您的流程的性能會發生什麼變化。 不存在完美受控的流程，尤其是在擴大規模後。 |
| 順便說一句，當我想到這些更複雜的模型，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的擴展效果更好。 這是適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。 所以我只想說我想要運行 256 次。 |
| 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。 |
| 所以這實際上進展得很快。 我只是向您展示輸出的樣子。 再說一次，我已經做到了這一點。 |
| 因此，為了節省時間，我將打開另一個數據表。 |
| 最小化另一項。 |
| 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部分，將模型擬合到標準差，並將模型擬合到總體缺陷率。 |
| 有些地區的缺陷率較低，有些地區的缺陷率較高，這些就是我們所說的高斯過程模型，通常與模擬數據一起使用。 那麼我們能用這些做什麼呢 |
| 模型和這些模擬結果？ 嗯，再說一遍，人物塑造很重要。 所以讓我給你一個快速的想法。 |
| 這是一個三維散點圖，我們關注的是進料速率和溶解氧百分比，因為它們非常重要。 並且繪製的點按缺陷率進行加權；大 |
| 球體意味著更高的缺陷率。 所以如果你環顧四周。 你可以看到，有些地區我們是絕對不想運營的。 |
| 因此，我們正在描述我們的設計空間，並尋找更安全的運營區域。 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。 我們可以利用這個做更多的事情，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。 |
| 但我會用不同的方式來做。 這樣我想最大化 pDNA 平均值。 |
| 我想做雙重回應。 我想最大限度地減少總體缺陷率。 |
| 再次強調，我將繼續使用意願。 |
| 這需要幾分鐘的時間。 這些是我們正在優化的非常複雜的模型。 |
| 請注意，它出現並說 |
| 高進給率、高溶解氧、 |
| 接近中性pH值並進行誘導。 順便說一句，感應，如果你想知道感應 OD 600 是什麼，這是微生物質量的衡量標準 |
| 一旦你達到一定的質量（沒有人很確定那是什麼，所以這就是我們做實驗的原因），你就會升高物質的溫度。 而這實際上 |
| 迫使E。 大腸桿菌開始泵出 pDNA 或質粒，它們經過改造就是為了做到這一點。 所以我們稱之為感應溫度。 好的。 嗯，注意設置， |
| 我們保證了較低的缺陷率，整體優化響應並不那麼高。 但請記住，我們還將擁有一個不易產生缺陷的流程。 |
| 好吧，那麼在這一點上， |
| 我會很快講到最後。 |
| 幻燈片。 所以一切都在這些幻燈片中。 都已經上傳了 |
| 到 |
| 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）需要採用整體或集成的方法。 需要進行很多系統思考。 |
| 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。 這不是你想像的那樣；建築業並不像往常一樣 |
| 統計模型，尤其是預測模型。 我們已經向您展示了分數加權引導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。 我還想再次強調康奈爾大學和蒙哥馬利大學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特徵描述。 至此，我感謝大家，我的演講就結束了。 |
